WO2018199434A1 - Method for predicting state of life of battery on basis of numerical simulation data - Google Patents
Method for predicting state of life of battery on basis of numerical simulation data Download PDFInfo
- Publication number
- WO2018199434A1 WO2018199434A1 PCT/KR2018/000917 KR2018000917W WO2018199434A1 WO 2018199434 A1 WO2018199434 A1 WO 2018199434A1 KR 2018000917 W KR2018000917 W KR 2018000917W WO 2018199434 A1 WO2018199434 A1 WO 2018199434A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- battery
- numerical simulation
- data
- numerical
- predicting
- Prior art date
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 93
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 238000007599 discharging Methods 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 239000000126 substance Substances 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000009533 lab test Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 31
- 229910001416 lithium ion Inorganic materials 0.000 description 20
- 238000010586 diagram Methods 0.000 description 19
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 239000003792 electrolyte Substances 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000011149 active material Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000000840 electrochemical analysis Methods 0.000 description 3
- 150000002500 ions Chemical class 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- IEJIGPNLZYLLBP-UHFFFAOYSA-N dimethyl carbonate Chemical compound COC(=O)OC IEJIGPNLZYLLBP-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 235000015110 jellies Nutrition 0.000 description 2
- 239000008274 jelly Substances 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- KMTRUDSVKNLOMY-UHFFFAOYSA-N Ethylene carbonate Chemical compound O=C1OCCO1 KMTRUDSVKNLOMY-UHFFFAOYSA-N 0.000 description 1
- 229910015643 LiMn 2 O 4 Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000001803 electron scattering Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011244 liquid electrolyte Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- RUOJZAUFBMNUDX-UHFFFAOYSA-N propylene carbonate Chemical compound CC1COC(=O)O1 RUOJZAUFBMNUDX-UHFFFAOYSA-N 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3647—Constructional arrangements for determining the ability of a battery to perform a critical function, e.g. cranking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00302—Overcharge protection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00306—Overdischarge protection
Definitions
- the present invention relates to a method for predicting the life state of a battery based on numerical simulation data, and more particularly, based on numerical simulation data capable of predicting the life state of a battery based on a numerical simulation database in which numerical analysis results are verified.
- the present invention relates to a battery life state prediction method.
- the emergency stopping may include reading an nth error value and an n ⁇ 1th error value from an error database; calculating a sum of error deviation values of deviations of the n th error value and the n-1 th error value; Checking whether a preset maximum error value is equal to or less than the sum of the calculated error deviation values; Calculating a battery capacity at the time of charging or discharging, when the preset maximum error value is not equal to or less than the sum of the calculated error deviation values; And emergency stopping the charging or discharging operation of the battery when the preset maximum error value is less than or equal to the calculated error value sum.
- the life state prediction method may further include emergency stopping the charging or discharging of the battery through the safety algorithm when the charging time or the discharging time is out of the maximum and minimum allowable time for reaching the target voltage.
- FIG. 7 is a diagram illustrating a discharge curve of a lithium ion battery at various temperatures.
- the battery management system 110 may include an aging degree (SOH: State of Health, or a life state of a current battery) and a state of charge (SOC: State of Charge, or a current battery) of a battery cell or the battery pack 10.
- SOH State of Health
- SOC State of Charge, or a current battery
- the voltage (V), current (I) and temperature (T) of the battery cell (or battery pack) are monitored for the monitoring and management of the status.
- the battery management system 100 performs a numerical analysis (S102). Specifically, the battery management system 100 performs an electro-chemical analysis. For example, electro-chemical analysis may be performed according to Species Transport Model, Electronic Potential Model, Chemical Reaction Model, Energy Balance Model.
- the battery management system 100 obtains training data including training data and numerical data that exist, in operation S201.
- the battery management system 100 receives new data from the prediction algorithm of the battery life state (SOH) (S203). New data is received from each algorithm shown in FIGS. 12 to 16, respectively.
- the battery management system 100 performs a process of predicting a life state of a battery (S205).
- the battery management system 100 transmits all data to the machine learning algorithm (S413).
- the machine learning algorithm is shown in FIG.
- the battery management system 100 reads the n th ERR n and the n-1 th ERR n-1 from the error database (S501).
- the battery management system 100 is V r , t r , T r , I r ,. The process proceeds to step S603 of reading, etc.
- the battery management system 100 checks whether V n is less than or equal to V r (S704).
- the battery management system 100 checks whether t is less than t min (S706).
- the battery management system 100 is V r , t r , T r , I r ,. Go to step S703 to read, and so on.
- the battery management system 100 moves to the safety algorithm and performs the safety algorithm (S709).
- the safety algorithm is shown in FIG. 13.
- the battery management system 100 checks whether the calculated battery capacity is equal to or less than SOC min (S711).
- the battery management system 100 stops the discharge (S712).
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Secondary Cells (AREA)
Abstract
The present invention relates to a method for predicting a state of life of a battery on the basis of numerical simulation data. A method for predicting a state of life of a battery by a battery management system according to an embodiment of the present invention comprises the steps of: when a numerical analysis result is verified using a laboratory test result obtained through electrical and chemical analysis of a battery, acquiring a numerical simulation database obtained by extracting and storing solution data of the battery; counting the number of times of charging or discharging when a difference between reference data read from the verified numerical simulation database and measurement data read from the battery falls within a predetermined range and a battery capacity satisfies a predetermined condition; and predicting a state of life of the battery by using the number of times of charging or discharging and a classifier according to a pre-learned machine learning algorithm.
Description
본 발명은 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법에 관한 것으로서, 더욱 상세하게는 수치적 분석 결과가 검증된 수치적 시뮬레이션 데이터베이스를 기반으로 배터리의 수명 상태를 예측할 수 있는, 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법에 관한 것이다.The present invention relates to a method for predicting the life state of a battery based on numerical simulation data, and more particularly, based on numerical simulation data capable of predicting the life state of a battery based on a numerical simulation database in which numerical analysis results are verified. The present invention relates to a battery life state prediction method.
사람들이 최근에 자동차 및 ESS(Energy Storage System)용 리튬이온 배터리를 사용하기 시작하고 있다. 그러면서, 긴 작동 시간을 유지하는 고 에너지 밀도가 중요한 연구로 부상하고 있다. 그들은 출력과 안정성이 검증된 하나의 팩에 다양한 셀을 삽입함으로써 문제를 해결하고 있다.Recently, people are starting to use lithium-ion batteries for automobiles and Energy Storage System (ESS). At the same time, high energy densities that maintain long operating times are emerging as important research. They solve the problem by inserting the various cells in one pack with proven output and stability.
그러나 높은 에너지 밀도의 배터리를 과도하게 방전 또는 충전하는 것은 그 특성이 적절하게 확인되지 않을 때 배터리 수명에 부정적으로 영향을 미칠 수 있다. 패킹된 다중 셀들 또는 심지어 하나의 셀, 및 환경으로부터 생성된 열은 특히 전체 팩 성능의 수명을 단축시킬 수 있다. 배터리 팩의 단축된 수명 및 초기 오작동은 주로 리튬이온 배터리가 반복적으로 충전되고 방전될 때 각 셀의 물리적 특성들이 예기치 않게 변경되었기 때문에 발생한다. 팩의 성능에 대한 배터리 재질 특성의 이러한 중요한 영향 때문에, 변경된 특성에 대한 다양한 수치 시뮬레이션 연구가 있었다.However, excessively discharging or charging a high energy density battery can negatively affect battery life when its characteristics are not properly identified. Packed multiple cells or even one cell, and heat generated from the environment, can in particular shorten the life of the overall pack performance. Shorter lifespan and initial malfunction of battery packs occur mainly due to unexpected changes in the physical properties of each cell when lithium ion batteries are repeatedly charged and discharged. Because of this important impact of battery material properties on pack performance, there have been various numerical simulation studies of modified properties.
한편, 컴퓨터 시뮬레이션은 컴퓨터 시스템 내의 고속 데이터 전송 및 처리와 함께 더욱 신뢰할 수 있는 공학 수치 분석 방법으로 인해 증가되고 있다. Computer simulations, on the other hand, are increasing due to more reliable engineering numerical analysis methods, along with high-speed data transfer and processing in computer systems.
도 1은 동일한 공정으로 제조된 50개의 배터리 임피던스를 나타낸 도면이다. 도 2는 동일한 공정으로 제조된 50개의 배터리 용량을 나타낸 도면이다.1 is a diagram showing 50 battery impedances manufactured by the same process. 2 is a view showing 50 battery capacity manufactured by the same process.
하이브리드 자동차 및 ESS를 위한 중형 및 대형 배터리 팩에는 BMS에 의해 관리되는 수십 또는 수백 개의 단일 셀이 있는 고용량 및 고전력 시스템이 필요하다.Medium and large battery packs for hybrid vehicles and ESSs require high capacity and high power systems with dozens or hundreds of single cells managed by BMS.
도 1 및 도 2에 도시된 바와 같이, 리튬이온 배터리는 동일한 공정으로 동일한 공장에서 제조되더라도 서로 다른 내부 특성들(예컨대, 임피던스, 용량 등)을 갖는다. 이는 연결하는 배터리가 다른 특성을 가지므로 팩의 다른 충전 및 방전 속도를 생성하는 것을 의미한다. 배터리 팩은 BMS에 의해 관리된다. BMS는 다른 셀들이 여전히 충전되거나 방전될 시간이 필요할지라도 비효율적인 작동을 방지하고 과충전 또는 과방전으로부터 발생할 수 있는 사고를 방지하기 위해, 셀의 충전 및 방전 속도를 멈추게 한다.1 and 2, lithium ion batteries have different internal characteristics (eg, impedance, capacity, etc.) even if they are manufactured in the same factory in the same process. This means that the batteries you connect have different characteristics and thus create different charge and discharge rates for the pack. The battery pack is managed by the BMS. The BMS stops the charging and discharging rate of the cell, even if other cells still need time to charge or discharge, to prevent inefficient operation and to prevent accidents that may result from overcharging or overdischarging.
도 3은 각 배터리의 서로 다른 충전 전압 및 방전 전압을 나타낸 도면이다.3 is a diagram illustrating different charging and discharging voltages of respective batteries.
도 3은 각 배터리의 다른 특성이 다른 세 개의 배터리에 대해 서로 다른 충전 및 방전 속도를 제공하는 것을 나타낸다. 최근 상업적으로 이용 가능한 리튬이온 배터리 팩의 BMS는 온도, 전압, 전류 및 SOC(예컨대, 충전 상태 또는 방전 상태)를 실시간으로 모니터링할 수 있다. 리튬이온 배터리 팩의 BMS는 만약 그들의 모니터링 값이 정상 예측된 값을 초과한다면, 배터리 셀 또는 팩의 전기 회로를 제어 및 관리할 수 있다.3 shows that different characteristics of each battery provide different charge and discharge rates for three different batteries. Recent commercially available Li-ion battery packs BMS can monitor temperature, voltage, current and SOC (eg, state of charge or discharge) in real time. The BMS of lithium ion battery packs can control and manage the electrical circuits of battery cells or packs if their monitoring values exceed the normally expected values.
이러한 종류의 BMS는 배터리의 자연적인 노화 또는 온도 변화와 같은 다른 효과에 대한 예측된 데이터를 실제 실험실 실험에서 얻는 것이 매우 어렵기 때문에 서로 다른 특성을 가진 각 셀의 신뢰할 수 있는 수명을 예측할 수 없다. This kind of BMS cannot predict the reliable lifetime of each cell with different characteristics because it is very difficult to obtain predicted data from actual laboratory experiments about other effects such as the battery's natural aging or temperature changes.
열적 밸런싱된 팩 디자인을 포함하여 일부 가능한 제한된 조건에서도 다른 리튬이온 배터리들에 대한 실제 실험실 실험의 다양한 경우는 매우 많은 시간과 비용이 소요된다. Even in some possible limited conditions, including thermally balanced pack designs, various cases of actual laboratory experiments on other Li-ion batteries can be very time consuming and expensive.
본 발명의 실시 예들은 수치 시뮬레이션 데이터를 기반으로 배터리의 수명 상태(SOH)를 신뢰성 있게 예측할 수 있는, 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법을 제공하고자 한다.Embodiments of the present invention provide a method for predicting the life state of a battery based on numerical simulation data, which can reliably predict the life state (SOH) of the battery based on the numerical simulation data.
본 발명의 실시 예들은 배터리 용량(SOC) 및 배터리의 수명 상태(SOH)와 관련하여 예측된 신뢰할 수 있는 빅 데이터를 가진 수치적 표본 사례를 기반으로 SOC 및 SOH를 예측할 수 있는, 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법을 제공하고자 한다.Embodiments of the present invention provide numerical simulation data for predicting SOC and SOH based on numerical sample cases with reliable big data predicted with respect to battery capacity (SOC) and battery life state (SOH). The present invention provides a method for predicting the life state of a battery.
본 발명의 실시 예들은 허용 오차 내에서 비정상적인 작동이 일정 시간 지속되면, BMS에 경보 또는 교체 신호를 제공할 수 있는, 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법을 제공하고자 한다.Embodiments of the present invention provide a method for predicting the life state of a battery based on numerical simulation data, which can provide an alarm or a replacement signal to a BMS when an abnormal operation continues for a predetermined time within a tolerance.
그러나 본 발명의 목적은 상기에 언급된 목적으로 제한되지 않으며, 언급되지 않았으나 아래 수단들 또는 실시예상의 구체적인 구성에 따른 다른 목적들은 그 기재로부터 이 기술 분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.However, the object of the present invention is not limited to the above-mentioned object, and although not mentioned, other objects according to the following means or specific configurations in the embodiments will be clearly understood by those skilled in the art from the description. will be.
본 발명의 제1 측면에 따르면, 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서, 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계; 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및 상기 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법이 제공될 수 있다.According to a first aspect of the present invention, in the method for predicting the life state of a battery performed by a battery management system, the solution of the battery when the numerical analysis result is verified as a laboratory result through electrical and chemical analysis of the battery Obtaining a numerical simulation database from which data is extracted and stored; Counting the number of charges or discharges when the deviation between the reference data read from the verified numerical simulation database and the measurement data read from the battery is within a preset range and the battery capacity satisfies a preset condition; And estimating the life state of a battery using a classifier according to the number of charges or discharges and a machine learning algorithm that has been learned. The method for predicting a life state of a battery based on numerical simulation data may be provided.
상기 획득하는 단계는, 배터리에 대한 초기 조건을 설정하는 단계; 상기 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석을 수행하는 단계; 상기 수행된 수치적 분석 결과를 실험 결과로 검증하는 단계; 상기 검증이 완료되면 상기 수치적 분석 결과에 대한 배터리의 솔루션 데이터를 추출하는 단계; 및 상기 추출된 솔루션 데이터를 검증된 수치적 시뮬레이션 데이터베이스에 저장하고 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 획득하는 단계;를 포함할 수 있다.The acquiring step may include setting an initial condition for a battery; Performing numerical analysis through electrical and chemical analysis on the battery; Verifying the performed numerical analysis result as an experimental result; Extracting solution data of a battery for the numerical analysis result when the verification is completed; And storing the extracted solution data in a verified numerical simulation database and obtaining from the verified numerical simulation database.
상기 수치적 분석을 수행하는 단계는, 종 수송 모델(Species Transport Model), 전위 모델(Electronic Potential Model), 화학적 반응 모델(Chemical Reaction Model) 및 에너지 밸런스 모델(Energy Balance Model) 중에서 적어도 하나 이상을 이용하여 수치적 분석을 수행할 수 있다.The performing of the numerical analysis may use at least one of a Species Transport Model, an Electronic Potential Model, a Chemical Reaction Model, and an Energy Balance Model. Numerical analysis.
상기 카운트하는 단계는, 상기 배터리가 충전 중이고 배터리 용량이 완전 충전이면 충전된 횟수를 카운트하고 충전을 중지하고, 상기 배터리가 방전 중이고 배터리 용량이 최소 배터리 용량이면 방전된 횟수를 카운트하고 방전을 중지할 수 있다.The counting may include: counting the number of charges when the battery is being charged and the battery capacity is fully charged and stopping charging; counting the number of discharges when the battery is being discharged and the battery capacity is the minimum battery capacity; Can be.
상기 카운트하는 단계는, 기검증된 수치적 시뮬레이션 데이터베이스로부터 기준 데이터를 판독하는 단계; 충전 또는 방전 중인 배터리로부터 측정 데이터를 판독하는 단계; 상기 판독된 기준 데이터 및 상기 판독된 측정 데이터 간의 편차를 계산하는 단계; 상기 계산된 편차가 기설정된 범위 이내인지를 확인하고, 상기 계산된 편차가 기설정된 범위 이내이면 배터리 용량을 계산하는 단계; 및 상기 계산된 배터리 용량이 완전 충전이거나 또는 최소 배터리 용량 이하이면 충전 횟수 또는 방전 횟수를 카운트하고 충전 또는 방전을 중지하는 단계;를 포함할 수 있다.The counting step may include reading reference data from a validated numerical simulation database; Reading measurement data from a battery that is being charged or discharged; Calculating a deviation between the read reference data and the read measurement data; Checking whether the calculated deviation is within a preset range and calculating a battery capacity if the calculated deviation is within a preset range; And counting the number of charges or the number of discharges and stopping the charging or discharging when the calculated battery capacity is full or less than the minimum battery capacity.
상기 예측하는 단계는, 서포트 벡터 머신(Support Vector Machine), 베이즈 분류기(Bayes Classifiers), 인공신경망(Artificial Neural Networks) 및 결정 트리(Decision Tree) 중에서 어느 하나의 머신 러닝 알고리즘을 이용하여 배터리의 수명 상태를 예측할 수 있다.The predicting step may be performed using a machine learning algorithm of any one of a support vector machine, Bayes classifiers, artificial neural networks, and decision trees. The state can be predicted.
상기 수명 상태 예측 방법은, 기준 데이터 및 측정 데이터 간의 편차가 기설정된 범위를 벗어나면 세이프티 알고리즘을 통해 배터리의 충전 또는 방전을 비상 정지시키는 단계;를 더 포함할 수 있다.The life state prediction method may further include emergency stopping the charging or discharging of the battery through a safety algorithm when a deviation between the reference data and the measurement data is out of a predetermined range.
상기 비상 정지시키는 단계는, 오차 데이터베이스로부터 n번째 오차값 및 n-1번째 오차값을 판독하는 단계; n번째 오차값 및 n-1번째 오차값의 편차의 오차 편차값 합계를 계산하는 단계; 기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하인지를 확인하는 단계; 기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하가 아니면, 충전 또는 방전시의 배터리 용량을 계산하는 단계; 및 기설정된 최대 오차값이 상기 계산된 오차값 합계 이하이면, 배터리의 충전 또는 방전 동작을 비상 정지시키는 단계;를 포함할 수 있다.The emergency stopping may include reading an nth error value and an n−1th error value from an error database; calculating a sum of error deviation values of deviations of the n th error value and the n-1 th error value; Checking whether a preset maximum error value is equal to or less than the sum of the calculated error deviation values; Calculating a battery capacity at the time of charging or discharging, when the preset maximum error value is not equal to or less than the sum of the calculated error deviation values; And emergency stopping the charging or discharging operation of the battery when the preset maximum error value is less than or equal to the calculated error value sum.
한편, 본 발명의 제2 측면에 따르면, 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서, 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계; 배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고, 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및 상기 카운트된 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법이 제공될 수 있다.Meanwhile, according to the second aspect of the present invention, in the method of predicting the life state of a battery performed by a battery management system, when the numerical analysis result is verified as a laboratory result through electrical and chemical analysis of the battery, the battery Obtaining a numerical simulation database of extracted and stored solution data; Compare the measured data read from the battery with the reference data read from the verified numerical simulation database, and the charging or discharging time is within the maximum and minimum allowable time for reaching the target voltage, and the battery capacity satisfies the preset conditions Counting the number of charges or discharges; And estimating the life state of the battery using a classifier according to the counted number of charges or discharges and the previously learned machine learning algorithm.
상기 획득하는 단계는, 배터리에 대한 초기 조건을 설정하는 단계; 상기 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석을 수행하는 단계; 상기 수행된 수치적 분석 결과를 실험 결과로 검증하는 단계; 상기 검증이 완료되면 상기 수치적 분석 결과에 대한 배터리의 솔루션 데이터를 추출하는 단계; 및 상기 추출된 솔루션 데이터를 검증된 수치적 시뮬레이션 데이터베이스에 저장하고 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 획득하는 단계;를 포함할 수 있다.The acquiring step may include setting an initial condition for a battery; Performing numerical analysis through electrical and chemical analysis on the battery; Verifying the performed numerical analysis result as an experimental result; Extracting solution data of a battery for the numerical analysis result when the verification is completed; And storing the extracted solution data in a verified numerical simulation database and obtaining from the verified numerical simulation database.
상기 수치적 분석을 수행하는 단계는, 종 수송 모델(Species Transport Model), 전위 모델(Electronic Potential Model), 화학적 반응 모델(Chemical Reaction Model) 및 에너지 밸런스 모델(Energy Balance Model) 중에서 적어도 하나 이상을 이용하여 수치적 분석을 수행할 수 있다.The performing of the numerical analysis may use at least one of a Species Transport Model, an Electronic Potential Model, a Chemical Reaction Model, and an Energy Balance Model. Numerical analysis.
상기 카운트하는 단계는, 상기 배터리가 충전 중이고 배터리 용량이 완전 충전이면 충전된 횟수를 카운트하고 충전을 중지하고, 상기 배터리가 방전 중이고 배터리 용량이 최소 배터리 용량이면 방전된 횟수를 카운트하고 방전을 중지할 수 있다.The counting may include: counting the number of charges when the battery is being charged and the battery capacity is fully charged and stopping charging; counting the number of discharges when the battery is being discharged and the battery capacity is the minimum battery capacity; Can be.
상기 카운트하는 단계는, 기검증된 수치적 시뮬레이션 데이터베이스로부터 기준 데이터를 판독하는 단계; 충전 또는 방전 중인 배터리로부터 측정 데이터를 판독하는 단계; 배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하는 단계; 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내인지를 확인하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고 배터리 용량이 기설정된 조건을 만족하면 배터리 용량을 계산하는 단계; 및 상기 계산된 배터리 용량이 완전 충전 또는 최소 배터리 용량 이하이면 충전 횟수 또는 방전 횟수를 카운트하고 충전 또는 방전을 중지하는 단계;를 포함할 수 있다.The counting step may include reading reference data from a validated numerical simulation database; Reading measurement data from a battery that is being charged or discharged; Comparing measured data read from a battery with reference data read from the verified numerical simulation database; Check whether the charge or discharge time is within the maximum and minimum allowable time to reach the target voltage, and if the charge or discharge time is within the maximum and minimum allowable time to reach the target voltage and the battery capacity meets the preset conditions Calculating a dose; And counting the number of charges or the number of discharges and stopping the charging or discharging when the calculated battery capacity is less than or equal to the full charge or the minimum battery capacity.
상기 예측하는 단계는, 서포트 벡터 머신(Support Vector Machine), 베이즈 분류기(Bayes Classifiers), 인공신경망(Artificial Neural Networks) 및 결정 트리(Decision Tree) 중에서 어느 하나의 머신 러닝 알고리즘을 이용하여 배터리의 수명 상태를 예측할 수 있다.The predicting step may be performed using a machine learning algorithm of any one of a support vector machine, Bayes classifiers, artificial neural networks, and decision trees. The state can be predicted.
상기 수명 상태 예측 방법은, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간을 벗어나면 세이프티 알고리즘을 통해 배터리의 충전 또는 방전을 비상 정지시키는 단계;를 더 포함할 수 있다.The life state prediction method may further include emergency stopping the charging or discharging of the battery through the safety algorithm when the charging time or the discharging time is out of the maximum and minimum allowable time for reaching the target voltage.
상기 비상 정지시키는 단계는, 오차 데이터베이스로부터 n번째 오차값 및 n-1번째 오차값을 판독하는 단계; n번째 오차값 및 n-1번째 오차값의 편차의 오차 편차값 합계를 계산하는 단계; 기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하인지를 확인하는 단계; 기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하가 아니면, 충전 또는 방전시의 배터리 용량을 계산하는 단계; 및 기설정된 최대 오차값이 상기 계산된 오차값 합계 이하이면, 배터리의 충전 또는 방전 동작을 비상 정지시키는 단계;를 포함할 수 있다.The emergency stopping may include reading an nth error value and an n−1th error value from an error database; calculating a sum of error deviation values of deviations of the n th error value and the n-1 th error value; Checking whether a preset maximum error value is equal to or less than the sum of the calculated error deviation values; Calculating a battery capacity at the time of charging or discharging, when the preset maximum error value is not equal to or less than the sum of the calculated error deviation values; And emergency stopping the charging or discharging operation of the battery when the preset maximum error value is less than or equal to the calculated error value sum.
본 발명의 실시 예들은 수치 시뮬레이션 데이터를 기반으로 배터리의 수명 상태(SOH)를 신뢰성 있게 예측할 수 있다.Embodiments of the present invention can reliably predict the life state (SOH) of a battery based on numerical simulation data.
본 발명의 실시 예들은 배터리 용량(SOC) 및 배터리의 수명 상태(SOH)와 관련하여 예측된 신뢰할 수 있는 빅 데이터를 가진 수치적 표본 사례를 기반으로 SOC 및 SOH를 예측할 수 있다.Embodiments of the present invention may predict SOC and SOH based on numerical sample cases with reliable big data predicted in relation to battery capacity (SOC) and battery life state (SOH).
본 발명의 실시 예들은 허용 오차 내에서 비정상적인 작동이 일정 시간 지속되면, 배터리 관리 시스템에 경보 또는 교체 신호를 제공할 수 있다.Embodiments of the present disclosure may provide an alarm or replacement signal to the battery management system when abnormal operation continues for a certain time within a tolerance.
도 1은 동일한 공정으로 제조된 50개의 배터리 임피던스를 나타낸 도면이다.1 is a diagram showing 50 battery impedances manufactured by the same process.
도 2는 동일한 공정으로 제조된 50개의 배터리 용량을 나타낸 도면이다.2 is a view showing 50 battery capacity manufactured by the same process.
도 3은 각 배터리의 서로 다른 충전 전압 및 방전 전압을 나타낸 도면이다.3 is a diagram illustrating different charging and discharging voltages of respective batteries.
도 4는 본 발명의 실시 예에 따른 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법이 적용되는 배터리 관리 시스템의 구성을 나타낸 도면이다.4 is a diagram illustrating a configuration of a battery management system to which a method for predicting a life state of a battery based on numerical simulation data according to an embodiment of the present invention is applied.
도 5는 1차원 배터리 모델과 2차원 젤리 롤 모델이 적용된 배터리의 개념도를 나타낸 도면이다.5 is a diagram illustrating a conceptual diagram of a battery to which a one-dimensional battery model and a two-dimensional jelly roll model are applied.
도 6은 다양한 온도에서 리튬이온 배터리 충전 곡선을 나타낸 도면이다.6 is a diagram illustrating a lithium ion battery charging curve at various temperatures.
도 7은 다양한 온도에서 리튬이온 배터리 방전 곡선을 나타낸 도면이다.7 is a diagram illustrating a discharge curve of a lithium ion battery at various temperatures.
도 8은 서로 다른 온도에서 충전하면서 4V에 도달하기까지의 시간(1 사이클)을 나타낸 도면이다. 8 shows the time (1 cycle) to reach 4V while charging at different temperatures.
도 9는 다른 온도에서 방전하면서 3.5V에 도달하기 전의 시간 (1 사이클)을 나타낸 도면이다.Fig. 9 shows the time (1 cycle) before reaching 3.5V while discharging at different temperatures.
도 10은 본 발명의 실시 예에 따른 수치 해석에 의해 검증된 수치 시뮬레이션 데이터베이스를 획득하기 위한 흐름도를 나타낸 도면이다.10 is a flowchart illustrating a numerical simulation database verified by numerical analysis according to an exemplary embodiment of the present invention.
도 11은 본 발명의 실시 예에 따른 머신 러닝 알고리즘을 사용하여 배터리의 수명 상태를 예측하는 흐름도를 나타낸 도면이다.FIG. 11 is a flowchart illustrating a life state of a battery using a machine learning algorithm according to an exemplary embodiment of the present invention.
도 12는 본 발명의 실시 예에 따른 충전시 실시간 측정 전압을 기반으로 한 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.12 is a flowchart illustrating an SOH prediction algorithm based on real-time measured voltage during charging according to an embodiment of the present invention.
도 13은 본 발명의 실시 예에 따른 방전시 실시간 측정 전압을 기반으로 한 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.FIG. 13 is a flowchart illustrating an SOH prediction algorithm based on real-time measured voltage during discharge according to an exemplary embodiment of the present invention.
도 14는 본 발명의 실시 예에 따른 비상 정지를 위한 세이프티 알고리즘의 흐름도를 나타낸 도면이다.14 is a flowchart illustrating a safety algorithm for emergency stop according to an exemplary embodiment of the present invention.
도 15는 본 발명의 실시 예에 따른 충전시 최대 전압에 도달하는 시간을 기반으로 하는 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.15 is a flowchart illustrating an SOH prediction algorithm based on a time for reaching a maximum voltage during charging according to an embodiment of the present invention.
도 16은 본 발명의 실시 예에 따른 방전시 최대 전압에 도달하는 시간을 기반으로 하는 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.16 is a flowchart illustrating an SOH prediction algorithm based on a time for reaching a maximum voltage during discharge according to an embodiment of the present invention.
이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 설명한다. 본 발명에 따른 동작 및 작용을 이해하는 데 필요한 부분을 중심으로 상세히 설명한다. 본 발명의 실시 예를 설명하면서, 본 발명이 속하는 기술 분야에 익히 알려졌고 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.Hereinafter, embodiments of the present invention will be described with reference to the accompanying drawings. It will be described in detail focusing on the parts necessary to understand the operation and action according to the present invention. In describing the embodiments of the present invention, descriptions of technical contents that are well known in the technical field to which the present invention belongs and are not directly related to the present invention will be omitted. This is to more clearly communicate without obscure the subject matter of the present invention by omitting unnecessary description.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 동일한 명칭의 구성 요소에 대하여 도면에 따라 다른 참조부호를 부여할 수도 있으며, 서로 다른 도면임에도 동일한 참조부호를 부여할 수도 있다. 그러나 이와 같은 경우라 하더라도 해당 구성 요소가 실시 예에 따라 서로 다른 기능을 갖는다는 것을 의미하거나, 서로 다른 실시 예에서 동일한 기능을 갖는다는 것을 의미하는 것은 아니며, 각각의 구성 요소의 기능은 해당 실시 예에서의 각각의 구성 요소에 대한 설명에 기초하여 판단하여야 할 것이다.In addition, in describing the components of the present invention, different reference numerals may be given to components having the same name according to the drawings, and the same reference numerals may be given to different drawings. However, even in such a case, it does not mean that the corresponding components have different functions according to embodiments, or does not mean that they have the same functions in different embodiments. Judgment should be made based on the description of each component in.
또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의하여 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다.In addition, the technical terms used in the present specification should be interpreted as meanings generally understood by those skilled in the art to which the present invention belongs, unless specifically defined otherwise in the present specification, and excessively comprehensive It should not be construed in meaning or in excessively reduced sense.
또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. Also, the singular forms used herein include the plural forms unless the context indicates otherwise. In the present application, terms such as “consisting of” or “comprising” should not be construed as necessarily including all of the various components or steps described in the specification, and some of the components or some steps It should be construed that it may not be included or may further include additional components or steps.
도 4는 본 발명의 실시 예에 따른 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법이 적용되는 배터리 관리 시스템의 구성을 나타낸 도면이다.4 is a diagram illustrating a configuration of a battery management system to which a method for predicting a life state of a battery based on numerical simulation data according to an embodiment of the present invention is applied.
도 4에 도시된 바와 같이, 본 발명의 실시 예에 따른 배터리 관리 시스템(100)은 제어부(110), 데이터 입출력부(120), 수치적 시뮬레이션 데이터베이스(130) 및 오차 데이터베이스(140)를 포함한다.As shown in FIG. 4, the battery management system 100 according to an exemplary embodiment of the present invention includes a controller 110, a data input / output unit 120, a numerical simulation database 130, and an error database 140. .
배터리 관리 시스템(110, BMS)은, 배터리 셀 또는 배터리 팩(10)의 노화도(SOH : State of Health, 또는 현재 배터리의 수명 상태) 및 충전 상태(SOC : State of Charge, 또는 현재 배터리의 충방전 상태)의 모니터링과 관리를 위해서 배터리 셀(또는 배터리 팩)의 전압(V), 전류(I), 온도(T)등을 모니터링한다.The battery management system 110 (BMS) may include an aging degree (SOH: State of Health, or a life state of a current battery) and a state of charge (SOC: State of Charge, or a current battery) of a battery cell or the battery pack 10. The voltage (V), current (I) and temperature (T) of the battery cell (or battery pack) are monitored for the monitoring and management of the status.
배터리 팩(10)은 부하(11)와 연결되고, 저장된 에너지를 부하(11)에 제공한다.The battery pack 10 is connected to the load 11 and provides the stored energy to the load 11.
본 발명의 실시 예에 따른 배터리 관리 시스템(BMS)은 현재 배터리 사용 환경에서 측정된 측정 데이터와 수치적 시뮬레이션 데이터베이스로부터 기준 데이터를 이용하여 배터리의 수명 상태(SOH, 또는 노화도)를 보다 정확하게 예측할 수 있도록 함으로써, 사용자가 배터리 교체시기를 사전에 알고 적절하게 관리할 수 있도록 한다.A battery management system (BMS) according to an embodiment of the present invention may more accurately predict the life state (SOH, or aging degree) of a battery using reference data from a measurement data and a numerical simulation database measured in a current battery usage environment. This allows the user to know in advance when to replace the battery and to properly manage it.
이하, 도 1의 배터리 관리 시스템의 각 구성요소들의 구체적인 구성 및 동작을 설명한다.Hereinafter, specific configurations and operations of components of the battery management system of FIG. 1 will be described.
제어부(110)는 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득한다.When the numerical analysis result is verified as a laboratory result through electrical and chemical analysis of the battery, the controller 110 extracts the solution data of the battery and obtains a stored numerical simulation database.
그리고 제어부(110)는 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 충전시 또는 방전시 SOH 예측 알고리즘(SOH Prediction Algorithm)을 수행한다.The controller 110 counts the number of charges or discharges when the deviation between the reference data read from the verified numerical simulation database and the measured data read from the battery is within a preset range and the battery capacity satisfies the preset condition. Alternatively, an SOH prediction algorithm is performed during discharge.
이후, 제어부(110)는 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 머신 러닝 알고리즘(Machine Learning Algorithm)을 수행한다.Thereafter, the controller 110 performs a machine learning algorithm (Machine Learning Algorithm) for predicting the life state of the battery using a classifier according to the number of times of charge or discharge and the machine learning algorithm.
한편, 제어부(110)는 기준 데이터 및 측정 데이터 간의 편차가 기설정된 범위를 벗어나면 세이프티 알고리즘(Safety Algorithm)을 통해 배터리의 충전 또는 방전을 비상 정지시킨다.Meanwhile, when the deviation between the reference data and the measurement data is out of the preset range, the controller 110 emergencyly stops charging or discharging the battery through a safety algorithm.
데이터 입출력부(120)는 배터리의 수명 상태 예측시 필요한 데이터를 입력받는다. 또한, 데이터 입출력부(120)는 예측된 배터리의 수명 상태나 배터리와 관련하여 계산된 데이터를 출력할 수 있다.The data input / output unit 120 receives data necessary for estimating the life state of the battery. In addition, the data input / output unit 120 may output data calculated in relation to the predicted life state of the battery or the battery.
수치적 시뮬레이션 데이터베이스(130)는 전기적-화학적 분석을 통해 추출된 배터리에 대한 솔루션 데이터를 저장한다.The numerical simulation database 130 stores the solution data for the battery extracted through the electro-chemical analysis.
오차 데이터베이스(140)는 제어부(110)에서 계산된 오차값을 저장한다.The error database 140 stores the error value calculated by the controller 110.
도 5는 1차원 배터리 모델과 2차원 젤리 롤 모델이 적용된 배터리의 개념도를 나타낸 도면이다.5 is a diagram illustrating a conceptual diagram of a battery to which a one-dimensional battery model and a two-dimensional jelly roll model are applied.
도 5는 애노드(anode), 분리막(separator) 및 캐소드(cathode)로 구성된 리튬이온 배터리의 개념도를 나타낸다. 각각의 전극은 활성 물질, 충전제, 고분자 바인더 및 전해질을 포함한다. 그래파이트 MCMB2528 및 LiMn2O4는 양극 및 음극의 주요 활성 물질이다. 전해질은 프로필렌 카보네이트(PC, 10% vol), 에틸렌 카보네이트(EC, 27% vol) 및 디-메틸 카보네이트(DMC, 63% vol)의 혼합물이다. 한편, 다공성 분리막은 액체 전해질과 p(VdF-HFP)로 구성된다.FIG. 5 shows a conceptual diagram of a lithium ion battery composed of an anode, a separator, and a cathode. Each electrode comprises an active material, a filler, a polymeric binder and an electrolyte. Graphite MCMB2528 and LiMn 2 O 4 are the main active materials for positive and negative electrodes. The electrolyte is a mixture of propylene carbonate (PC, 10% vol), ethylene carbonate (EC, 27% vol) and di-methyl carbonate (DMC, 63% vol). On the other hand, the porous separator is composed of a liquid electrolyte and p (VdF-HFP).
리튬이온 배터리의 물리적 현상은 [수학식 1] 내지 [수학식 7]에 의해 나타날 수 있다. 이들은 전해질 및 고체 상태 하에서의 전압 및 물질 수송(농도)에 대한 물리적 지배적인 현상, 배터리 내부의 전류 밸런싱 및 열역학적 이론에 기초한 에너지 균형을 나타낸다.The physical phenomenon of the lithium ion battery may be represented by [Equation 1] to [Equation 7]. These represent physically dominant phenomena for voltage and mass transport (concentration) under electrolyte and solid state, current balancing inside batteries and energy balance based on thermodynamic theory.
a) 전해액에서의 전위(Potential in the electrolyte)a) Potential in the electrolyte
b) 고체에서의 전위(Potential in solid)b) Potential in solid
c) 전해액에서의 운반(Transport in the electrolyte)c) Transport in the electrolyte
d) 고체에서의 운반(Transport in solid)d) transport in solid
e) 반응 속도(Reaction rate)e) reaction rate
f) 현재 밸런스(Current balance)f) Current balance
g) 에너지 밸런스(Energy balance)g) energy balance
여기서, a는 전극 부피당 활물질의 표면적, c는 전해질의 염 농도, cs는 고체 삽입 전극에서의 리튬 농도, Cp는 열용량, D는 염 확산 계수, Ds는 삽입 전극에서 리튬의 확산 계수, f_ ±는 전해질의 평균 몰 활성 계수, F는 패러데이 상수, in는 활성 물질의 표면에 수직으로 전류를 전달, i0는 교환 전류 밀도, i2는 전해질 내의 전류 밀도 (표면적), I는 전지의 총 전류 밀도, j는 반응에 의한 총 플럭스 (활물질의), n은 반 반응에 관여하는 전자의 수, Q는: 열 발생율, R은 일반적인 기체 상수, s는 화학량 론적 계수, 양극 반응물에 양성, Time은 시간, t_i^0는 용매 속도에 대한 종 'i'의 전이 수, T는 온도 및 K, v는 속도, zi는 이온 i의 전하를 나타낸다.Where a is the surface area of the active material per electrode volume, c is the salt concentration of the electrolyte, cs is the lithium concentration at the solid insertion electrode, Cp is the heat capacity, D is the salt diffusion coefficient, Ds is the diffusion coefficient of lithium at the insertion electrode, f_ ± Average molar activity coefficient of the electrolyte, F is the Faraday constant, in is the current carrying perpendicular to the surface of the active material, i 0 is the exchange current density, i 2 is the current density (surface area) in the electrolyte, I is the total current density of the cell , j is the total flux by the reaction, n is the number of electrons involved in the reaction, Q is the heat generation rate, R is the general gas constant, s is the stoichiometric coefficient, positive for the anode reactant, and Time is the time. where t_i ^ 0 represents the number of transitions of species 'i' to solvent velocity, T is temperature and K, v is velocity, and zi is charge of ion i.
또한, α는 전달 계수, ε는 부피 분율(달리 명시되지 않는 한 전해질의), κ는 유효 이온 전도도, ν는 1몰의 전해질이 해리되는 이온(ions)의 몰수, σ는 다공성 전극의 유효 전자 전도성, Φ는 전위를 나타낸다. a는 양극, c는 음극, i는 종 i, +는 양극, -는 음극을 나타낸다.Α is the transfer coefficient, ε is the volume fraction (unless otherwise specified in the electrolyte), κ is the effective ion conductivity, ν is the number of moles of ions dissociated from the electrolyte, and σ is the effective electron of the porous electrode. Conductivity, Φ represents the potential. a represents an anode, c represents a cathode, i represents a species i, + represents an anode, and-represents a cathode.
상기의 수학식들은 리튬이온 배터리의 기본 이론에서 파생된 편미분 방정식이다. 상업용 다중 물리 패키지 프로그램은 내부 전기 화학 반응을 고려한 배터리 셀의 지배 편미분 방정식인 [수학식 1] 내지 [수학식 7]을 풀기 위해 사용된다. 현재 수치 모델의 컴솔의 계산 신뢰도는 배터리의 충전 및 방전과 표면 온도에 대한 실험 결과와 비교함으로써 이전 보고서에서 검증되었다. 실험 결과와 시뮬레이션 모델의 편차는 온도 및 전압에 대해 허용 오차 내에서 고려되었다.The above equations are partial differential equations derived from the basic theory of lithium ion batteries. A commercial multiphysics package program is used to solve Equations 1 through 7, the governing partial differential equations of a battery cell taking into account internal electrochemical reactions. The computational reliability of the console in the current numerical model has been validated in previous reports by comparing the results with experiments on battery charge and discharge and surface temperature. Deviations between the experimental results and the simulation model were considered within tolerances for temperature and voltage.
도 6은 다양한 온도에서 리튬이온 배터리 충전 곡선을 나타낸 도면이다. 도 7은 다양한 온도에서 리튬이온 배터리 방전 곡선을 나타낸 도면이다.6 is a diagram illustrating a lithium ion battery charging curve at various temperatures. 7 is a diagram illustrating a discharge curve of a lithium ion battery at various temperatures.
예측된 시뮬레이션 데이터를 신뢰성 있는 수치적 방법으로 획득하려면 배터리 팩의 수치 모델이 최적으로 설계되어야 한다. 이는 표면 온도에서 균등하게 밸런싱된 셀을 가져야 한다. 따라서 본 발명의 실시 예는 서로 다른 환경 온도에서 배터리 셀의 내부 성능의 SOC 및 SOH에 관한 시뮬레이션 데이터를 예측할 수 있다.To obtain the predicted simulation data in a reliable numerical way, the numerical model of the battery pack must be optimally designed. It should have cells evenly balanced at surface temperature. Therefore, embodiments of the present invention may predict simulation data regarding SOC and SOH of internal performance of a battery cell at different environmental temperatures.
도 6 및 도 7은 원통형 리튬이온 배터리 케이스의 상이한 온도에 대한 충전 및 방전 속도의 변화를 도시한다. 각 시뮬레이션은 배터리 셀의 환경 온도가 처음부터 일정한 상태로 유지되었다고 가정한다. 실험 결과는 환경 온도가 낮을수록 충전 및 방전 속도가 빨라진다는 것을 의미한다. 온도가 낮아지면 반응 속도도 배터리 내부에 떨어지며, 이는 구형 배터리의 용량 감소의 경우와 유사하다.6 and 7 show changes in charge and discharge rates for different temperatures of a cylindrical lithium ion battery case. Each simulation assumes that the environmental temperature of the battery cell has remained constant from the beginning. Experimental results indicate that the lower the environmental temperature, the faster the charge and discharge rate. As the temperature decreases, the reaction rate also falls inside the battery, which is similar to the capacity reduction of older batteries.
도 8은 서로 다른 온도에서 충전하면서 4V에 도달하기까지의 시간(1 사이클)을 나타낸 도면이다. 도 9는 다른 온도에서 방전하면서 3.5V에 도달하기 전의 시간 (1 사이클)을 나타낸 도면이다.8 shows the time (1 cycle) to reach 4V while charging at different temperatures. Fig. 9 shows the time (1 cycle) before reaching 3.5V while discharging at different temperatures.
도 8 및 도 9는 온도의 영향에 대한 정량적 분석을 위해 다양한 환경 온도에서 목표 충전 및 방전 전압에 도달하는 데 필요한 시간을 보여준다. 목표 전압은 일반적으로 사용되는 리튬이온 배터리의 상단 및 하단 전압인 4V 및 3.6V에서 결정된다. 두 수치는 서로 다른 환경 온도에 따라 충전 및 방전 속도가 거의 선형으로 올라가거나 떨어지는 것을 보여준다. 선형 회귀 분석에 의해 작성된 공식과 값이 각 도면에 삽입된다. 도 8과 도 9의 온도 값과 공식은 섭씨 10도에서 80도 사이의 온도 범위에서 유도된다.8 and 9 show the time required to reach the target charge and discharge voltage at various environmental temperatures for quantitative analysis of the effect of temperature. The target voltage is determined at 4V and 3.6V, the top and bottom voltages of commonly used Li-ion batteries. Both figures show that the charge and discharge rates rise or fall almost linearly with different environmental temperatures. Formulas and values created by linear regression analysis are inserted into each figure. The temperature values and formulas of FIGS. 8 and 9 are derived over a temperature range between 10 degrees Celsius and 80 degrees Celsius.
이와 같이, 도 6 내지 도 9의 네 가지 도면은 SOC의 예측된 전압 변화와 서로 다른 셀의 표면 온도에서 목표 전압에 도달하는 충전 또는 방전 시간을 보여준다. As such, the four figures of FIGS. 6-9 show the predicted voltage change of the SOC and the charge or discharge time to reach the target voltage at different cell surface temperatures.
본 발명의 실시 예에 따른 배터리의 수명 상태 예측 방법은 SOC 및 SOH와 관련하여 예측된 신뢰할 수 있는 빅 데이터를 가진 수치적 표본 사례를 기반으로 SOC 및 SOH 예측을 위한 새로운 알고리즘을 제공하고자 한다.The method for predicting the life state of a battery according to an embodiment of the present invention is to provide a new algorithm for SOC and SOH prediction based on numerical sample cases with reliable big data predicted with respect to SOC and SOH.
한편, 서로 다른 온도에서 배터리 셀의 SOH를 예측하는 방법은 두 가지가 있다. 하나의 방법은 작동 시간을 확인하거나 주기적인 작동 횟수를 계산하여 정상적인 충전 및 방전 조건에서 배터리 셀의 잔여 수명을 파악하는 것이다. 다른 하나의 방법은 허용 오차 내에서 비정상적인 작동이 일정 시간 지속되면, BMS에 경보 또는 교체 신호를 제공하는 것이다. 본 발명의 실시 예는 다양한 신뢰성 있는 수치 해석을 통해 얻어진 정상 데이터에 기반한 SOH 예측 알고리즘을 도출하기 위해, 두 번째 접근법에보다 중점을 둔다. 따라서 SOC는 정상적인 온도 범위에서 검증된 수치 모델에 의해 얻어진다. 검증된 수치 모델은 또한 일반적으로 요구되는 전압에 대한 충분한 데이터베이스를 제공한다. On the other hand, there are two ways to predict the SOH of the battery cell at different temperatures. One method is to check the operating time or count the number of periodic operations to determine the remaining life of the battery cell under normal charging and discharging conditions. Another method is to provide an alarm or replacement signal to the BMS when abnormal operation continues for a certain time within tolerance. Embodiments of the present invention focus more on the second approach to derive SOH prediction algorithms based on normal data obtained through various reliable numerical analysis. SOC is therefore obtained by a numerical model validated over the normal temperature range. The validated numerical model also provides a sufficient database of commonly required voltages.
도 10은 본 발명의 실시 예에 따른 수치 해석에 의해 검증된 수치 시뮬레이션 데이터베이스를 획득하기 위한 흐름도를 나타낸 도면이다.10 is a flowchart illustrating a numerical simulation database verified by numerical analysis according to an exemplary embodiment of the present invention.
도 10은 배터리의 SOH 예측 알고리즘에 사용될 신뢰할 수 있는 기준 데이터베이스를 얻기 위한 수치 시뮬레이션 흐름도를 보여준다. SOH 예측 알고리즘은 배터리 관리 시스템의 제어부(110)에 코딩되어야 한다. 제어부(110)는 배터리가 서로 다른 온도에서 충전 및 방전될 때 전압의 정상적인 데이터베이스에서 벗어나는 비정상적인 상태를 감지한다. 10 shows a numerical simulation flow diagram for obtaining a reliable reference database to be used for the SOH prediction algorithm of a battery. The SOH prediction algorithm should be coded in the controller 110 of the battery management system. The controller 110 detects an abnormal state that deviates from the normal database of voltages when the battery is charged and discharged at different temperatures.
계산될 전압 변화 외에도, 상이한 온도에서 요구되는 전압에 도달하는 시간에 대한 데이터베이스는 SOH 예측 알고리즘을 적용하기 위해 정상 상태를 제공한다. 따라서 알람은 배터리 관리 시스템(100)에서의 실시간 측정 데이터가 제안된 정상 표준 데이터베이스에서 벗어나면 미리 비정상 상태를 알린다. 리튬이온 배터리 팩에서 반복되고 누적된 데이터는 인공 지능(AI) 알고리즘을 통해 데이터베이스 및 오차 감지 조건을 향상시킴으로써, SOH 예측을 더욱 빠르고 정확하게 제공할 수 있다. 기존 데이터 및 인공 지능 알고리즘으로부터 생성된 데이터는 새로운 수치 시뮬레이션 데이터와 반복적으로 결합된다. 이를 통해, 새로 생성된 데이터를 분류, 추출 및 조작하여 리튬이온 배터리 셀의 SOH를 예측한다. In addition to the voltage change to be calculated, the database for the time to reach the required voltage at different temperatures provides a steady state for applying the SOH prediction algorithm. Therefore, the alarm notifies in advance of the abnormal state when the real-time measurement data in the battery management system 100 deviates from the proposed normal standard database. Repeated and accumulated data from Li-Ion battery packs can improve the database and error detection conditions through artificial intelligence (AI) algorithms, providing faster and more accurate SOH predictions. Data generated from existing data and artificial intelligence algorithms is repeatedly combined with new numerical simulation data. Through this, the newly generated data is classified, extracted, and manipulated to predict the SOH of the lithium ion battery cell.
도 10에 도시된 바와 같이, 배터리 관리 시스템(100)은 초기 조건들(Initial Conditions)을 설정한다(S101).As shown in FIG. 10, the battery management system 100 sets initial conditions (S101).
예를 들면, 배터리 관리 시스템(100)은 경계 조건(Boundary Condition), 재료 특성들(Material Properties)을 설정할 수 있다.For example, the battery management system 100 may set boundary conditions and material properties.
배터리 관리 시스템(100)은 수치적 분석(Numerical Analysis)을 수행한다(S102). 구체적으로 살펴보면, 배터리 관리 시스템(100)은 전기-화학적 분석(Electro-chemical Analysis)을 수행한다. 예를 들면, 종 수송 모델(Species Transport Model), 전위 모델(Electronic Potential Model), 화학적 반응 모델(Chemical Reaction Model), 에너지 밸런스 모델(Energy Balance Model)에 따라 전기-화학적 분석이 수행될 수 있다.The battery management system 100 performs a numerical analysis (S102). Specifically, the battery management system 100 performs an electro-chemical analysis. For example, electro-chemical analysis may be performed according to Species Transport Model, Electronic Potential Model, Chemical Reaction Model, Energy Balance Model.
배터리 관리 시스템(100)은 통합되어 있는지를 확인한다(S103).The battery management system 100 checks whether it is integrated (S103).
상기 확인 결과(S103), 통합되어 있지 않으면, 배터리 관리 시스템(100)은 메쉬 퀄러티(Mesh Quality) 및 물리적 모델(Physical Model)을 체크한다(S104).If not, the battery management system 100 checks the mesh quality and the physical model (S104).
상기 확인 결과(S103), 통합되어 있으면, 배터리 관리 시스템(100)은 실험 결과(Experimental Results)로 검증한다(S105).If the confirmation result (S103), if integrated, the battery management system 100 verifies the experimental results (Experimental Results) (S105).
배터리 관리 시스템(100)은 신뢰성이 있는지를 확인한다(S106).The battery management system 100 confirms whether the reliability (S106).
상기 확인 결과(S106), 신뢰성이 없으면, 배터리 관리 시스템(100)은 메쉬 퀄러티(Mesh Quality) 및 물리적 모델(Physical Model)을 체크하는 S104 과정을 수행한다.As a result of the check (S106), if there is no reliability, the battery management system 100 performs a process S104 to check the mesh quality (Physical Quality) and the physical model (Physical Model).
상기 확인 결과(S106), 신뢰성이 있으면, 솔루션 데이터(Solution Data)를 추출한다(S107).If the check result (S106), if there is reliability, the solution data (Solution Data) is extracted (S107).
배터리 관리 시스템(100)은 추출된 솔루션 데이터를 검증된 수치적 시뮬레이션 데이터베이스(Verified Numerical Simulation Database)에 저장한다.The battery management system 100 stores the extracted solution data in a verified numerical simulation database.
도 11은 본 발명의 실시 예에 따른 머신 러닝 알고리즘을 사용하여 배터리의 수명 상태를 예측하는 흐름도를 나타낸 도면이다.FIG. 11 is a flowchart illustrating a life state of a battery using a machine learning algorithm according to an exemplary embodiment of the present invention.
도 11은 검증된 수치 시뮬레이션 데이터를 기반으로 하는 인공 지능(AI) 알고리즘에 대한 흐름도를 보여준다.11 shows a flow diagram for an artificial intelligence (AI) algorithm based on verified numerical simulation data.
배터리 관리 시스템(100)은 존재하는 실험적 데이터 및 수치적 데이터가 포함된 학습 데이터(Training Data)를 획득한다(S201).The battery management system 100 obtains training data including training data and numerical data that exist, in operation S201.
배터리 관리 시스템(100)은 머신 러닝 알고리즘(Machine Learning Algorithm)에 따라 학습 데이터를 이용하여 머신 러닝 과정을 수행한다(S201). 예를 들면, 머신 러닝 알고리즘에는 서포트 벡터 머신(Support Vector Machine), 베이즈 분류기(Bayes Classifiers), 인공신경망(Artificial Neural Networks), 결정 트리(Decision Tree) 등이 포함될 수 있다.The battery management system 100 performs a machine learning process using learning data according to a machine learning algorithm (S201). For example, the machine learning algorithm may include a support vector machine, Bayes classifiers, artificial neural networks, decision trees, and the like.
이후, 배터리 관리 시스템(100)은 배터리 수명 상태(SOH)의 예측 알고리즘으로부터 새로운 데이터를 수신받는다(S203). 도 12 내지 도 16에 각각 도시된 각각의 알고리즘으로부터 새로운 데이터를 수신받는다.Then, the battery management system 100 receives new data from the prediction algorithm of the battery life state (SOH) (S203). New data is received from each algorithm shown in FIGS. 12 to 16, respectively.
배터리 관리 시스템(100)의 분류기(Classifier)는 학습된 머신 러닝 알고리즘을 기초로 하여 수신된 새로운 데이터를 분류한다(S204).The classifier of the battery management system 100 classifies the received new data based on the learned machine learning algorithm (S204).
배터리 관리 시스템(100)은 배터리의 수명 상태를 예측(Prediction)하는 과정을 수행한다(S205).The battery management system 100 performs a process of predicting a life state of a battery (S205).
한편, 시뮬레이션된 전압에 기반한 SOH 예측 알고리즘에 대해서 살펴보기로 한다.Meanwhile, the SOH prediction algorithm based on the simulated voltage will be described.
도 6 및 도 7은 리튬이온 배터리의 특성이 환경 온도에 의존함을 보여준다. 수치 시뮬레이션을 통해 계산된 신뢰할 수 있는 데이터베이스는 다른 온도에서 측정된 전압에서 벗어난 양을 확인하기 위한 표준 기준 데이터로 사용될 수 있다. 측정된 데이터가 허용 오차 내에서 특정 온도에서 제안된 전압 변화를 따르지 않으면, 작동 배터리 셀이 양호한 수명 상태가 아닐 수 있다고 판단될 수 있다. 6 and 7 show that the characteristics of the lithium ion battery depend on the environmental temperature. Reliable databases calculated through numerical simulations can be used as standard reference data to determine the amount of deviation from the measured voltage at different temperatures. If the measured data do not follow the proposed voltage change at a certain temperature within tolerance, it may be determined that the operating battery cell may not be in a good life state.
SOH를 예측하기 위한 논리적인 흐름도는 충전 및 방전의 경우에 대해 도 12 및 도 13에 도시되어 있다. Vn은 특정 온도에서 신뢰할 수 있는 수치 시뮬레이션에 의해 누적된 기준 전압의 기준 데이터이며, Vr은 배터리 셀의 실시간 측정 전압에 대한 측정 데이터를 나타낸다. Vn과 Vr의 두 값의 편차는 배터리 관리 시스템(100)에만 알람이 전송되거나, 즉시 배터리 셀을 정지할지 여부를 결정하는데 이용될 수 있다. 알람의 경우에만 배터리 관리 시스템(100)의 세이프티 알고리즘이 선택되고 작동되어야 한다. Logical flow diagrams for predicting SOH are shown in FIGS. 12 and 13 for the case of charge and discharge. V n is the reference data of the reference voltage accumulated by the reliable numerical simulation at a specific temperature, and V r represents the measurement data for the real-time measured voltage of the battery cell. The deviation of the two values of V n and V r may be used to determine whether an alarm is sent only to the battery management system 100 or whether to stop the battery cell immediately. Only in the event of an alarm, the safety algorithm of the battery management system 100 should be selected and activated.
어떤 알람에 대해서도 배터리 셀을 멈추게 할 수 없으므로 최종 결정을 내리는 알고리즘이 필요하고, 이러한 세이프티 알고리즘은 도 14에 도시되어 있다. 최종 결정을 위한 알고리즘은 누적된 오차 데이터를 특정 수의 사이클과 함께 점검하고 이 값이 최대 오차값(ERRmax)을 초과하면 긴급 중단이 실행되어야 한다.Since no battery cell can be stopped for any alarm, an algorithm for making the final decision is required, which is shown in FIG. 14. The algorithm for the final decision checks the accumulated error data with a certain number of cycles and if this value exceeds the maximum error value (ERRmax), an emergency stop should be executed.
도 12는 본 발명의 실시 예에 따른 충전시 실시간 측정 전압을 기반으로 한 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.12 is a flowchart illustrating an SOH prediction algorithm based on real-time measured voltage during charging according to an embodiment of the present invention.
배터리 관리 시스템(100)은 검증된 수치적 시뮬레이션 데이터베이스(130)로부터 기준 전압(Vn), 최대 허용 시간(tmax), 최소 허용 시간(tmin), 기준 온도(Tn), 기준 전류(In), …, 등을 판독(Read)한다(S301).The battery management system 100 receives a reference voltage (V n ), a maximum allowable time (t max ), a minimum allowable time (t min ), a reference temperature (T n ), and a reference current from the verified numerical simulation database 130. I n ),… , Etc. are read (S301).
배터리는 충전(Charging)을 시작한다(S302).The battery starts charging (S302).
배터리 관리 시스템(100)은 충전 중인 배터리로부터 측정된 측정 전압(Vr), 측정 시간(tr), 측정 온도(Tr), 측정 전류(Ir), …, 등을 판독한다(S303).The battery management system 100 may measure the measured voltage V r , the measured time t r , the measured temperature T r , the measured current I r,. , And the like are read (S303).
배터리 관리 시스템(100)은 하기의 [수학식 8]에 따라 n번째 오차값(ERRn)을 계산한다(S304). 배터리 관리 시스템(100)은 계산된 ERRn을 오차 데이터베이스(140)에 저장한다.The battery management system 100 calculates an nth error value ERR n according to Equation 8 below (S304). The battery management system 100 stores the calculated ERR n in the error database 140.
여기서, ERRn는 n번째 오차값, Vn은 특정 온도에서 신뢰할 수 있는 수치 시뮬레이션에 의해 누적된 기준 전압의 기준 데이터이며, Vr은 배터리 셀의 실시간 측정 전압에 대한 측정 데이터를 나타낸다. Here, ERR n is the n-th error value, V n is the reference data of the reference voltage accumulated by the reliable numerical simulation at a specific temperature, and V r represents the measurement data for the real-time measured voltage of the battery cell.
배터리 관리 시스템(100)은 ERRn이 기설정된 범위 이내인지를 확인한다(S305).The battery management system 100 checks whether ERR n is within a preset range (S305).
상기 확인 결과(S305), ERRn이 기설정된 범위 이내가 아니면, 배터리 관리 시스템(100)은 ERRn이 기설정된 범위가 아닌 경우가 연속적인 이벤트인지를 확인한다(S306).If the check result (S305), ERR n is not within a predetermined range, the battery management system 100 checks whether the case where the ERR n is not a predetermined range (S306).
상기 확인 결과(S306), ERRn이 기설정된 범위가 아닌 경우가 연속적인 이벤트이면, 배터리 관리 시스템(100)은 알람(Alarm)을 수행한다(S307).If the check result (S306), if the case where ERR n is not a predetermined range is a continuous event, the battery management system 100 performs an alarm (S307).
배터리 관리 시스템(100)은 세이프티 알고리즘으로 이동하여 세이프티 알고리즘을 수행한다(S307). 세이프티 알고리즘은 도 14에 도시되어 있다.The battery management system 100 moves to the safety algorithm and performs the safety algorithm (S307). The safety algorithm is shown in FIG. 14.
상기 확인 결과(S305), ERRn이 기설정된 범위가 아닌 경우가 연속적인 이벤트가 아니면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산한다(S309).If the check result (S305), the case where the ERR n is not a predetermined range is not a continuous event, the battery management system 100 calculates a battery capacity (SOC) (S309).
한편, 상기 확인 결과, ERRn이 기설정된 범위 이내이면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산하는 S309 과정을 수행한다.Meanwhile, as a result of the check, if ERR n is within a preset range, the battery management system 100 performs a process S309 for calculating a battery capacity SOC.
배터리 관리 시스템(100)은 계산된 배터리 용량이 100%인지를 확인한다(S310).The battery management system 100 checks whether the calculated battery capacity is 100% (S310).
상기 확인 결과(S310), 계산된 배터리 용량이 100%가 아니면, 배터리 관리 시스템(100)은 배터리에서 Vr, tr, Tr, Ir, …, 등을 판독하는 S303 과정으로 이동하여 수행한다.If the check result (S310), the calculated battery capacity is not 100%, the battery management system 100 is V r , t r , T r , I r ,. Go to S303 to read, etc. to perform.
상기 확인 결과, 계산된 배터리 용량이 100%이면, 배터리 관리 시스템(100)은 충전된 횟수를 카운트한다(S311).As a result of the check, if the calculated battery capacity is 100%, the battery management system 100 counts the number of times of charging (S311).
배터리 관리 시스템(100)은 충전을 중단한다(S312).The battery management system 100 stops charging (S312).
배터리 관리 시스템(100)은 모든 데이터를 머신 러닝 알고리즘에 전송한다(S313). 머신 러닝 알고리즘은 도 10에 도시되어 있다.The battery management system 100 transmits all data to the machine learning algorithm (S313). The machine learning algorithm is shown in FIG.
배터리 관리 시스템(100)은 방전시 SOH 예측 알고리즘으로 이동하여 방전시 SOH 예측 알고리즘을 수행한다(S314). 방전시 SOH 예측 알고리즘은 도 12에 도시되어 있다.The battery management system 100 moves to the SOH prediction algorithm upon discharge and performs the SOH prediction algorithm upon discharge (S314). The SOH prediction algorithm upon discharge is shown in FIG. 12.
도 13은 본 발명의 실시 예에 따른 방전시 실시간 측정 전압을 기반으로 한 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.FIG. 13 is a flowchart illustrating an SOH prediction algorithm based on real-time measured voltage during discharge according to an exemplary embodiment of the present invention.
배터리 관리 시스템(100)은 검증된 수치적 시뮬레이션 데이터베이스(130)로부터 Vn, tmax, tmin, Tn, In, SOCmin, 등을 판독한다(S401).The battery management system 100 reads V n , t max , t min , T n , I n , SOC min , and the like from the verified numerical simulation database 130 (S401).
배터리는 방전(Discharging)을 시작한다(S402).The battery starts discharging (S402).
배터리 관리 시스템(100)은 방전 중인 배터리로부터 Vr, tr, Tr, Ir, …, 등을 판독한다(S403).The battery management system 100 is configured such that V r , t r , T r , I r ,. , And the like are read (S403).
배터리 관리 시스템(100)은 상기의 [수학식 8]에 따라 ERRn을 계산한다(S404). 배터리 관리 시스템(100)은 계산된 ERRn을 오차 데이터베이스(140)에 저장한다.The battery management system 100 calculates ERR n according to Equation 8 above (S404). The battery management system 100 stores the calculated ERR n in the error database 140.
배터리 관리 시스템(100)은 ERRn이 기설정된 범위 이내인지를 확인한다(S405).The battery management system 100 checks whether ERR n is within a preset range (S405).
상기 확인 결과(S405), ERRn이 기설정된 범위 이내가 아니면, 배터리 관리 시스템(100)은 ERRn이 기설정된 범위가 아닌 경우가 연속적인 이벤트인지를 확인한다(S406).If the check result (S405), ERR n is not within the predetermined range, the battery management system 100 checks whether the case where the ERR n is not a predetermined range (S406).
상기 확인 결과(S406), ERRn이 기설정된 범위가 아닌 경우가 연속적인 이벤트이면, 배터리 관리 시스템(100)은 알람(Alarm)을 수행한다(S407).If the check result (S406), if the case where the ERR n is not a predetermined range is a continuous event, the battery management system 100 performs an alarm (S407).
배터리 관리 시스템(100)은 세이프티 알고리즘으로 이동하여 세이프티 알고리즘을 수행한다. 세이프티 알고리즘은 도 13에 도시되어 있다(S408).The battery management system 100 moves to the safety algorithm and performs the safety algorithm. The safety algorithm is shown in FIG. 13 (S408).
상기 확인 결과(S406), ERRn이 기설정된 범위가 아닌 경우가 연속적인 이벤트가 아니면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산한다(S409).If the check result (S406), the case where the ERR n is not a predetermined range is not a continuous event, the battery management system 100 calculates a battery capacity (SOC) (S409).
한편, 상기 확인 결과, ERRn이 기설정된 범위 이내이면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산하는 S409 과정을 수행한다.Meanwhile, as a result of the check, if ERR n is within a preset range, the battery management system 100 performs an operation S409 for calculating a battery capacity SOC.
배터리 관리 시스템(100)은 계산된 배터리 용량이 SOCmin 이하인지를 확인한다(S410).The battery management system 100 checks whether the calculated battery capacity is equal to or less than SOC min (S410).
상기 확인 결과(S410)., 계산된 배터리 용량이 SOCmin를 초과하면, 배터리 관리 시스템(100)은 배터리에서 Vr, tr, Tr, Ir, …, 등을 판독하는 S403 과정으로 이동하여 수행한다.The check result (S410). If the calculated battery capacity exceeds SOC min , the battery management system 100 determines that V r , t r , T r , I r ,... Go to step S403 for reading, etc. to perform.
상기 확인 결과(S410)., 계산된 배터리 용량이 SOCmin 이하이면, 배터리 관리 시스템(100)은 방전된 횟수를 카운트한다(S411).The check result (S410). If the calculated battery capacity is equal to or less than SOC min , the battery management system 100 counts the number of times of discharge (S411).
배터리 관리 시스템(100)은 방전을 중단한다(S412).The battery management system 100 stops discharging (S412).
배터리 관리 시스템(100)은 모든 데이터를 머신 러닝 알고리즘에 전송한다(S413). 머신 러닝 알고리즘은 도 10에 도시되어 있다.The battery management system 100 transmits all data to the machine learning algorithm (S413). The machine learning algorithm is shown in FIG.
배터리 관리 시스템(100)은 방전시 SOH 예측 알고리즘으로 이동하여 방전시 SOH 예측 알고리즘을 수행한다(S414). 방전시 SOH 예측 알고리즘은 도 12에 도시되어 있다.The battery management system 100 moves to the SOH prediction algorithm upon discharge and performs the SOH prediction algorithm upon discharge (S414). The SOH prediction algorithm upon discharge is shown in FIG. 12.
도 14는 본 발명의 실시 예에 따른 비상 정지를 위한 세이프티 알고리즘의 흐름도를 나타낸 도면이다.14 is a flowchart illustrating a safety algorithm for emergency stop according to an exemplary embodiment of the present invention.
배터리 관리 시스템(100)은 오차 데이터베이스로부터 n번째 ERRn 및 n-1번째 ERRn-1을 판독한다(S501).The battery management system 100 reads the n th ERR n and the n-1 th ERR n-1 from the error database (S501).
배터리 관리 시스템(100)은 n번째 ERRn 및 n-1번째 ERRn
-1의 편차의 합계 DEVn을 하기의 [수학식 9]에 따라 계산한다(S502).The battery management system 100 calculates the sum DEV n of the deviations of the nth ERR n and the n−1th ERR n −1 according to Equation 9 below (S502).
배터리 관리 시스템(100)은 최대 오차 ERRmax 가 1 내지 k번째까지의 DEVn의 합계 이하인지를 확인한다(S503).The battery management system 100 checks whether the maximum error ERR max is less than or equal to the sum of DEV n from the 1 st to k th (S503).
상기 확인 결과(S503)., 최대 오차 ERRmax 가 1 내지 k번째까지의 DEVn의 합계를 초과하면, 배터리 관리 시스템(100)은 도 11 및 도 12에 도시된 충전 및 방전시의 배터리 용량(SOC) 계산 블럭으로 이동하여 수행한다(S504).When the maximum error ERR max exceeds the sum of DEV n from 1 to kth, the battery management system 100 determines the battery capacity (at the time of charge and discharge shown in FIGS. 11 and 12). SOC) and moves to the calculation block (S504).
상기 확인 결과(S503), 최대 오차 ERRmax 가 1 내지 k번째까지의 DEVn의 합계 이하이면, 배터리 관리 시스템(100)은 도 10에 도시된 머신 러닝 알고리즘에 모든 데이터를 전송한다(S505).As a result of the confirmation (S503), if the maximum error ERR max is less than or equal to the sum of DEV n from 1st to kth, the battery management system 100 transmits all data to the machine learning algorithm shown in FIG. 10 (S505).
배터리 관리 시스템(100)은 비상 정지(Emergency Stop)를 수행한다(S506).The battery management system 100 performs an emergency stop (S506).
한편, 충전 및 방전 시간에 따른 SOH 예측 알고리즘에 대해서 살펴보기로 한다. 도 11 및 도 12에서는 SOH가 측정 데이터와 기준 데이터 간의 편차가 있는 전압 데이터를 기반으로 예측될 수 있는 SOH 예측 알고리즘이 나타나 있다. SOH를 평가하기 위한 전압 데이터 이외에, 노화되고 오작동되는 배터리 셀에 대해 충전 및 방전 속도를 측정할 시간이 있다. 배터리 셀이 수명이 다하거나 수명이 다해 가면서, 충전 시간 또는 상한 또는 하한 전압 레벨로 충전되는 시간이 단축되고 있다.Meanwhile, the SOH prediction algorithm according to the charge and discharge time will be described. 11 and 12 illustrate an SOH prediction algorithm in which SOH can be predicted based on voltage data having a deviation between measured data and reference data. In addition to the voltage data for evaluating SOH, there is time to measure the charge and discharge rates for aged and malfunctioning battery cells. As a battery cell reaches its end of life or reaches its end of life, the charging time or the time for charging to an upper or lower voltage level is shortened.
도 15 및 도 16은 시간에 기초하여 충전 및 방전되는 경우의 SOH를 예측하기 위한 논리 흐름도를 도시한다. tmax 및 tmin은 충전 및 방전된 목표 전압에 도달할 수 있는 최대 및 최소 허용 시간입니다. 이러한 최대 및 최소 허용 목표치를 초과하는 값은 배터리 셀의 상태가 비정상적인 상태가 되고 이러한 제한을 제어하는 알고리즘도 구현되어야 함을 의미한다.15 and 16 show logic flow diagrams for predicting SOH when charged and discharged based on time. t max and t min are the maximum and minimum allowable times to reach the charged and discharged target voltage. Values exceeding these maximum and minimum allowable target values mean that the state of the battery cell is abnormal and an algorithm for controlling this limit must also be implemented.
도 15는 본 발명의 실시 예에 따른 충전시 최대 전압에 도달하는 시간을 기반으로 하는 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.15 is a flowchart illustrating an SOH prediction algorithm based on a time for reaching a maximum voltage during charging according to an embodiment of the present invention.
배터리 관리 시스템(100)은 검증된 수치적 시뮬레이션 데이터베이스(Verified Numerical Simulation Database)로부터 Vn, tmax, tmin, Tn, In, …, 등을 판독(Read)한다(S601).The battery management system 100 is configured from the verified numerical simulation database V n , t max , t min , T n , I n ,. , Etc. are read (S601).
배터리 관리 시스템(100)은 배터리는 충전(Charging)을 시작한다(S602).The battery management system 100 starts charging the battery (S602).
배터리 관리 시스템(100)은 충전 중인 배터리로부터 Vr, tr, Tr, Ir, …, 등을 판독한다(S603).The battery management system 100 is configured to calculate V r , t r , T r , I r ,. , And the like are read (S603).
배터리 관리 시스템(100)은 Vr이 Vn 이하인지를 확인한다(S604).The battery management system 100 checks whether V r is less than or equal to V n (S604).
상기 확인 결과(S604), Vr이 Vn 이하이면, 배터리 관리 시스템(100)은 t가 tmax 이하인지를 확인한다(S605).If V r is equal to or less than V n , the battery management system 100 checks whether t is equal to or less than t max (S605).
상기 확인 결과(S605), t가 tmax 이하이면, 배터리 관리 시스템(100)은 Vr, tr, Tr, Ir, …, 등을 판독하는 S603 과정으로 이동하여 수행한다.If t is less than or equal to t max , the battery management system 100 determines V r , t r , T r , I r ,... The process proceeds to step S603 of reading, etc.
한편, 상기 확인 결과(S604), Vr이 Vn 이하가 아니면, 배터리 관리 시스템(100)은 t가 tmin 이하인지를 확인한다(S606).On the other hand, if the check result (S604), V r is not V n or less, the battery management system 100 checks whether t is less than t min (S606).
상기 확인 결과(S606), t가 tmin 이하이면, 배터리 관리 시스템(100)은 연속적인 이벤트인지를 확인한다(S607).If the check result (S606), t is less than t min , the battery management system 100 checks whether the event is a continuous event (S607).
한편, 상기 확인 결과(S605), t가 tmax 이하가 아니면, 배터리 관리 시스템(100)은 연속적인 이벤트인지를 확인하는 S607 과정을 수행한다.On the other hand, if the check result (S605), t is not less than t max , the battery management system 100 performs a process S607 to determine whether the event is a continuous event.
상기 확인 결과(S607), 연속적인 이벤트가 아니면, 배터리 관리 시스템(100)은 Vr, tr, Tr, Ir, …, 등을 판독하는 S603 과정으로 이동하여 수행한다.If the check result (S607), the event is not a continuous event, the battery management system 100 is V r , t r , T r , I r ,. The process proceeds to step S603 of reading, etc.
반면, 상기 확인 결과(S607), 연속적인 이벤트이면, 배터리 관리 시스템(100)은 알람(Alarm)을 수행한다(S608).On the other hand, if the check result (S607), a continuous event, the battery management system 100 performs an alarm (S608).
배터리 관리 시스템(100)은 세이프티 알고리즘으로 이동하여 세이프티 알고리즘을 수행한다(S609). 세이프티 알고리즘은 도 13에 도시되어 있다.The battery management system 100 moves to the safety algorithm and performs the safety algorithm (S609). The safety algorithm is shown in FIG. 13.
상기 확인 결과(S606), t가 tmin 이하가 아니면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산한다(S610).If the check result (S606), t is not less than t min , the battery management system 100 calculates a battery capacity (SOC) (S610).
배터리 관리 시스템(100)은 계산된 배터리 용량이 100%인지를 확인한다(S611).The battery management system 100 checks whether the calculated battery capacity is 100% (S611).
상기 확인 결과(S611), 계산된 배터리 용량이 100%가 아니면, 배터리 관리 시스템(100)은 배터리에서 Vr, tr, Tr, Ir, …, 등을 판독하는 S603 과정으로 이동하여 수행한다.As a result of the check (S611), if the calculated battery capacity is not 100%, the battery management system 100 in the battery V r , t r , T r , I r ,. The process proceeds to step S603 of reading, etc.
상기 확인 결과(S611), 계산된 배터리 용량이 100%이면, 배터리 관리 시스템(100)은 충전을 중단한다(S612).As a result of the check (S611), if the calculated battery capacity is 100%, the battery management system 100 stops charging (S612).
그리고 배터리 관리 시스템(100)은 충전된 횟수를 카운트한다(S613).The battery management system 100 counts the number of charges (S613).
배터리 관리 시스템(100)은 모든 데이터를 머신 러닝 알고리즘에 전송한다(S614). 머신 러닝 알고리즘은 도 10에 도시되어 있다.The battery management system 100 transmits all data to the machine learning algorithm (S614). The machine learning algorithm is shown in FIG.
배터리 관리 시스템(100)은 방전시 SOH 예측 알고리즘으로 이동하여 방전시 SOH 예측 알고리즘을 수행한다(S615). 방전시 SOH 예측 알고리즘은 도 13에 도시되어 있다.The battery management system 100 moves to the SOH prediction algorithm upon discharge and performs the SOH prediction algorithm upon discharge (S615). The SOH prediction algorithm upon discharge is shown in FIG. 13.
도 16은 본 발명의 실시 예에 따른 방전시 최대 전압에 도달하는 시간을 기반으로 하는 SOH 예측 알고리즘의 흐름도를 나타낸 도면이다.16 is a flowchart illustrating an SOH prediction algorithm based on a time for reaching a maximum voltage during discharge according to an embodiment of the present invention.
배터리 관리 시스템(100)은 검증된 수치적 시뮬레이션 데이터베이스(Verified Numerical Simulation Database)로부터 Vn, tmax, tmin, Tn, In, SOCmin, …, 등을 판독(Read)한다(S701).The battery management system 100 is configured from the verified numerical simulation database V n , t max , t min , T n , I n , SOC min ,. , Etc. are read (S701).
배터리 관리 시스템(100)은 배터리는 방전(Discharging)을 시작한다(S702).The battery management system 100 starts discharging the battery (S702).
배터리 관리 시스템(100)은 충전 중인 배터리로부터 Vr, tr, Tr, Ir, …, 등을 판독한다(S703).The battery management system 100 is configured such that V r , t r , T r , I r ,. , And the like are read (S703).
배터리 관리 시스템(100)은 Vn이 Vr 이하인지를 확인한다(S704).The battery management system 100 checks whether V n is less than or equal to V r (S704).
상기 확인 결과(S704), Vn이 Vr 이하이면, 배터리 관리 시스템(100)은 t가 tmax 이하인지를 확인한다(S705).If V n is equal to or less than V r , the battery management system 100 checks whether t is equal to or less than t max (S705).
상기 확인 결과(S705), t가 tmax 이하이면, 배터리 관리 시스템(100)은 Vr, tr, Tr, Ir, …, 등을 판독하는 S703 과정으로 이동하여 수행한다.If t is less than or equal to t max , the battery management system 100 determines V r , t r , T r , I r ,... Go to step S703 to read, and so on.
한편, 상기 확인 결과(S704), Vn이 Vr 이하가 아니면, 배터리 관리 시스템(100)은 t가 tmin 이하인지를 확인한다(S706).On the other hand, if the check result (S704), V n is not less than V r , the battery management system 100 checks whether t is less than t min (S706).
상기 확인 결과(S706), t가 tmin 이하이면, 배터리 관리 시스템(100)은 연속적인 이벤트인지를 확인한다(S707).If the check result (S706), t is less than t min , the battery management system 100 checks whether a continuous event (S707).
한편, 상기 확인 결과(S705), t가 tmax 이하가 아니면, 배터리 관리 시스템(100)은 연속적인 이벤트인지를 확인하는 S707 과정을 수행한다.On the other hand, if the check result (S705), t is less than or equal to t max , the battery management system 100 performs a process S707 to determine whether the event is continuous.
상기 확인 결과(S707), 연속적인 이벤트가 아니면, 배터리 관리 시스템(100)은 Vr, tr, Tr, Ir, …, 등을 판독하는 S703 과정으로 이동하여 수행한다.If the check result (S707), the event is not continuous, the battery management system 100 is V r , t r , T r , I r ,. Go to step S703 to read, and so on.
반면, 상기 확인 결과(S707), 연속적인 이벤트이면, 배터리 관리 시스템(100)은 알람(Alarm)을 수행한다(S708).On the other hand, if the check result (S707), a continuous event, the battery management system 100 performs an alarm (S708).
배터리 관리 시스템(100)은 세이프티 알고리즘으로 이동하여 세이프티 알고리즘을 수행한다(S709). 세이프티 알고리즘은 도 13에 도시되어 있다.The battery management system 100 moves to the safety algorithm and performs the safety algorithm (S709). The safety algorithm is shown in FIG. 13.
상기 확인 결과(S706), t가 tmin 이하가 아니면, 배터리 관리 시스템(100)은 배터리 용량(SOC)을 계산한다(S710).If the check result (S706), t is not less than t min , the battery management system 100 calculates a battery capacity (SOC) (S710).
배터리 관리 시스템(100)은 계산된 배터리 용량이 SOCmin 이하인지를 확인한다(S711).The battery management system 100 checks whether the calculated battery capacity is equal to or less than SOC min (S711).
상기 확인 결과(S711), 계산된 배터리 용량이 SOCmin 이하가 아니면, 배터리 관리 시스템(100)은 배터리에서 Vr, tr, Tr, Ir, …, 등을 판독하는 S703 과정으로 이동하여 수행한다.As a result of the check (S711), if the calculated battery capacity is not equal to or less than SOC min , the battery management system 100 determines that V r , t r , T r , I r ,... Go to step S703 to read, and so on.
상기 확인 결과(S711), 계산된 배터리 용량이 SOCmin 이하이면, 배터리 관리 시스템(100)은 방전을 중단한다(S712).If the check result (S711), the calculated battery capacity is less than SOC min , the battery management system 100 stops the discharge (S712).
그리고 배터리 관리 시스템(100)은 방전된 횟수를 카운트한다(S713).The battery management system 100 counts the number of times of discharge (S713).
배터리 관리 시스템(100)은 모든 데이터를 머신 러닝 알고리즘에 전송한다(S714). 머신 러닝 알고리즘은 도 11에 도시되어 있다.The battery management system 100 transmits all data to the machine learning algorithm (S714). The machine learning algorithm is shown in FIG.
배터리 관리 시스템(100)은 충전시 SOH 예측 알고리즘으로 이동하여 충전시 SOH 예측 알고리즘을 수행한다(S615). 충전시 SOH 예측 알고리즘은 도 13에 도시되어 있다.The battery management system 100 moves to the SOH prediction algorithm when charging and performs the SOH prediction algorithm when charging (S615). The SOH prediction algorithm on charge is shown in FIG. 13.
이와 같이, 본 발명의 실시 예에 따른 배터리의 수명 상태 예측 방법은 수치 해석 데이터를 기반으로 리튬이온 배터리의 수명 상태(SOH)를 예측하기 위한 BMS(Battery Management System) 알고리즘에 관한 것이다. 본 발명의 실시 예에 따른 SOH 예측 방법은 실험적 실험과 비교하여 신뢰성을 검증되었다. 수치 시뮬레이션을 통해 계산된 신뢰할 수 있는 수치적 시뮬레이션 데이터베이스는 다른 온도에서 측정된 전압으로부터 벗어나는 양을 확인하기 위한 표준 기준 데이터로 사용될 수 있다. 측정된 데이터가 특정 온도에 따른 전압 변화를 따르지 않으면, 작동 배터리 셀이 양호한 수명 상태가 아닐 수 있다고 판단될 수 있다.As described above, the battery life state prediction method according to an embodiment of the present invention relates to a battery management system (BMS) algorithm for predicting the life state (SOH) of a lithium ion battery based on numerical analysis data. SOH prediction method according to an embodiment of the present invention was verified the reliability compared to the experimental experiment. A reliable numerical simulation database calculated through numerical simulation can be used as standard reference data to confirm the amount of deviation from measured voltages at different temperatures. If the measured data do not follow the voltage change over a particular temperature, it may be determined that the working battery cell may not be in a good life state.
SOH를 평가하기 위한 전압 데이터 이외에, 노화된 및 오작동 된 배터리 셀에 대해 충전 및 방전 속도 속도를 측정할 시간이 있다. 본 발명의 실시 예는 시간에 따라 충전 및 방전되는 경우 SOH를 예측하는 논리 알고리즘을 제공할 수 있다. In addition to voltage data for evaluating SOH, there is time to measure charge and discharge rate rates for aged and malfunctioning battery cells. An embodiment of the present invention may provide a logic algorithm that predicts SOH when charged and discharged over time.
SOH 예측 방법은 전압 변화와 충전 및 방전 시간을 이용하여 배터리의 수명 상태를 예측한다. 이러한 두 가지의 SOH 예측 방법은 수치적 빅 데이터를 기반으로 하는 알고리즘이 SOC 및 SOH를 예측하기 위해 다른 리튬이온 배터리 셀에도 적용될 수 있음을 나타낸다. SOH 예측 방법에서의 오차 값(ERR)은 딥 러닝과 같은 개선된 인공 지능(AI) 알고리즘을 이용하여 스스로 축적되어 보다 적합하게 개선될 수 있다.The SOH prediction method uses the voltage change and the charge and discharge time to predict the life of the battery. These two SOH prediction methods indicate that algorithms based on numerical big data can be applied to other Li-ion battery cells to predict SOC and SOH. The error value ERR in the SOH prediction method may be accumulated by itself using an improved artificial intelligence (AI) algorithm, such as deep learning, to be more appropriately improved.
상기 내용을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다.Although embodiments of the present invention have been described with reference to the above contents, those skilled in the art will appreciate that the present invention can be implemented in other specific forms without changing the technical spirit or essential features.
그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해되어야 하고, 상기 상세한 설명에서 기술된 본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허 청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다. Therefore, the embodiments described above are to be understood as illustrative and not restrictive in all respects, and the scope of the present invention described in the above detailed description is represented by the following claims, and the meanings of the claims and All changes or modifications derived from the scope and equivalent concepts thereof should be construed as being included in the scope of the present invention.
Claims (14)
- 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,In the method of predicting the life state of a battery performed by a battery management system,배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;If the numerical analysis result is verified as a laboratory result through electrical and chemical analysis of the battery, extracting the solution data of the battery to obtain a stored numerical simulation database;상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및Counting the number of charges or discharges when the deviation between the reference data read from the verified numerical simulation database and the measurement data read from the battery is within a preset range and the battery capacity satisfies a preset condition; And상기 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;Predicting a life state of a battery by using a classifier according to the number of charges or discharges and a previously learned machine learning algorithm;를 포함하고,Including,상기 획득하는 단계는, The obtaining step,배터리에 대한 초기 조건을 설정하는 단계;Setting an initial condition for the battery;상기 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석을 수행하는 단계;Performing numerical analysis through electrical and chemical analysis on the battery;상기 수행된 수치적 분석 결과를 실험 결과로 검증하는 단계;Verifying the performed numerical analysis result as an experimental result;상기 검증이 완료되면 상기 수치적 분석 결과에 대한 배터리의 솔루션 데이터를 추출하는 단계; 및Extracting solution data of a battery for the numerical analysis result when the verification is completed; And상기 추출된 솔루션 데이터를 검증된 수치적 시뮬레이션 데이터베이스에 저장하고 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 획득하는 단계;Storing the extracted solution data in a verified numerical simulation database and obtaining from the verified numerical simulation database;를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Life state prediction method of the battery based on the numerical simulation data comprising a.
- 제1항에 있어서,The method of claim 1,상기 수치적 분석을 수행하는 단계는, Performing the numerical analysis,종 수송 모델(Species Transport Model), 전위 모델(Electronic Potential Model), 화학적 반응 모델(Chemical Reaction Model) 및 에너지 밸런스 모델(Energy Balance Model) 중에서 적어도 하나 이상을 이용하여 수치적 분석을 수행하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Numerical simulation that performs numerical analysis using at least one of Species Transport Model, Electronic Potential Model, Chemical Reaction Model, and Energy Balance Model How to predict the life state of a data-based battery.
- 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,In the method of predicting the life state of a battery performed by a battery management system,배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;If the numerical analysis result is verified as a laboratory result through electrical and chemical analysis of the battery, extracting the solution data of the battery to obtain a stored numerical simulation database;상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및Counting the number of charges or discharges when the deviation between the reference data read from the verified numerical simulation database and the measurement data read from the battery is within a preset range and the battery capacity satisfies a preset condition; And상기 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;Predicting a life state of a battery by using a classifier according to the number of charges or discharges and a previously learned machine learning algorithm;를 포함하고,Including,상기 카운트하는 단계는, The counting step,상기 배터리가 충전 중이고 배터리 용량이 완전 충전이면 충전된 횟수를 카운트하고 충전을 중지하고, 상기 배터리가 방전 중이고 배터리 용량이 최소 배터리 용량이면 방전된 횟수를 카운트하고 방전을 중지하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Numerical simulation data-based battery that counts the number of charges and stops charging if the battery is charging and the battery capacity is fully charged, and counts the number of discharges and stops discharging if the battery is discharged and the battery capacity is the minimum battery capacity. Method for predicting lifespan status.
- 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,In the method of predicting the life state of a battery performed by a battery management system,배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;If the numerical analysis result is verified as a laboratory result through electrical and chemical analysis of the battery, extracting the solution data of the battery to obtain a stored numerical simulation database;상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및Counting the number of charges or discharges when the deviation between the reference data read from the verified numerical simulation database and the measurement data read from the battery is within a preset range and the battery capacity satisfies a preset condition; And상기 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;Predicting a life state of a battery by using a classifier according to the number of charges or discharges and a previously learned machine learning algorithm;를 포함하고,Including,상기 카운트하는 단계는, The counting step,기검증된 수치적 시뮬레이션 데이터베이스로부터 기준 데이터를 판독하는 단계;Reading reference data from a validated numerical simulation database;충전 또는 방전 중인 배터리로부터 측정 데이터를 판독하는 단계;Reading measurement data from a battery that is being charged or discharged;상기 판독된 기준 데이터 및 상기 판독된 측정 데이터 간의 편차를 계산하는 단계;Calculating a deviation between the read reference data and the read measurement data;상기 계산된 편차가 기설정된 범위 이내인지를 확인하고, 상기 계산된 편차가 기설정된 범위 이내이면 배터리 용량을 계산하는 단계; 및Checking whether the calculated deviation is within a preset range and calculating a battery capacity if the calculated deviation is within a preset range; And상기 계산된 배터리 용량이 완전 충전이거나 또는 최소 배터리 용량 이하이면 충전 횟수 또는 방전 횟수를 카운트하고 충전 또는 방전을 중지하는 단계;Counting the number of charges or the number of discharges and stopping charging or discharging when the calculated battery capacity is full or less than the minimum battery capacity;를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Life state prediction method of the battery based on the numerical simulation data comprising a.
- 제1항에 있어서,The method of claim 1,상기 예측하는 단계는, The predicting step,서포트 벡터 머신(Support Vector Machine), 베이즈 분류기(Bayes Classifiers), 인공신경망(Artificial Neural Networks) 및 결정 트리(Decision Tree) 중에서 어느 하나의 머신 러닝 알고리즘을 이용하여 배터리의 수명 상태를 예측하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Numerical estimate of battery life using any machine learning algorithm from Support Vector Machine, Bayes Classifiers, Artificial Neural Networks, or Decision Tree. How to predict the life status of batteries based on simulation data.
- 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,In the method of predicting the life state of a battery performed by a battery management system,배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;If the numerical analysis result is verified as a laboratory result through electrical and chemical analysis of the battery, extracting the solution data of the battery to obtain a stored numerical simulation database;상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터 및 배터리로부터 판독된 측정 데이터 간의 편차가 기설정된 범위 이내이고 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및Counting the number of charges or discharges when the deviation between the reference data read from the verified numerical simulation database and the measurement data read from the battery is within a preset range and the battery capacity satisfies a preset condition; And상기 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;Predicting a life state of a battery by using a classifier according to the number of charges or discharges and a previously learned machine learning algorithm;를 포함하고,Including,기준 데이터 및 측정 데이터 간의 편차가 기설정된 범위를 벗어나면 세이프티 알고리즘을 통해 배터리의 충전 또는 방전을 비상 정지시키는 단계;Emergency stop of charging or discharging of the battery through a safety algorithm when the deviation between the reference data and the measurement data is out of a predetermined range;를 더 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Life time prediction method of the battery based on the numerical simulation data further comprising.
- 제6항에 있어서,The method of claim 6,상기 비상 정지시키는 단계는, The emergency stop step,오차 데이터베이스로부터 n번째 오차값 및 n-1번째 오차값을 판독하는 단계;Reading an nth error value and an n-1th error value from an error database;n번째 오차값 및 n-1번째 오차값의 편차의 오차 편차값 합계를 계산하는 단계;calculating a sum of error deviation values of deviations of the n th error value and the n-1 th error value;기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하인지를 확인하는 단계;Checking whether a preset maximum error value is equal to or less than the sum of the calculated error deviation values;기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하가 아니면, 충전 또는 방전시의 배터리 용량을 계산하는 단계; 및Calculating a battery capacity at the time of charging or discharging, when the preset maximum error value is not equal to or less than the sum of the calculated error deviation values; And기설정된 최대 오차값이 상기 계산된 오차값 합계 이하이면, 배터리의 충전 또는 방전 동작을 비상 정지시키는 단계;Emergencyly stopping the charging or discharging operation of the battery when a predetermined maximum error value is less than or equal to the calculated error value sum;를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Life state prediction method of the battery based on the numerical simulation data comprising a.
- 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,In the method of predicting the life state of a battery performed by a battery management system,배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;If the numerical analysis result is verified as a laboratory result through electrical and chemical analysis of the battery, extracting the solution data of the battery to obtain a stored numerical simulation database;배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고, 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및Compare the measured data read from the battery with the reference data read from the verified numerical simulation database, and the charging or discharging time is within the maximum and minimum allowable time for reaching the target voltage, and the battery capacity satisfies the preset conditions Counting the number of charges or discharges; And상기 카운트된 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;Predicting a life state of a battery by using a classifier according to the counted number of charges or discharges and a previously learned machine learning algorithm;를 포함하고,Including,상기 획득하는 단계는, The obtaining step,배터리에 대한 초기 조건을 설정하는 단계;Setting an initial condition for the battery;상기 배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석을 수행하는 단계;Performing numerical analysis through electrical and chemical analysis on the battery;상기 수행된 수치적 분석 결과를 실험 결과로 검증하는 단계;Verifying the performed numerical analysis result as an experimental result;상기 검증이 완료되면 상기 수치적 분석 결과에 대한 배터리의 솔루션 데이터를 추출하는 단계; 및Extracting solution data of a battery for the numerical analysis result when the verification is completed; And상기 추출된 솔루션 데이터를 검증된 수치적 시뮬레이션 데이터베이스에 저장하고 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 획득하는 단계;Storing the extracted solution data in a verified numerical simulation database and obtaining from the verified numerical simulation database;를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Life state prediction method of the battery based on the numerical simulation data comprising a.
- 제8항에 있어서,The method of claim 8,상기 수치적 분석을 수행하는 단계는, Performing the numerical analysis,종 수송 모델(Species Transport Model), 전위 모델(Electronic Potential Model), 화학적 반응 모델(Chemical Reaction Model) 및 에너지 밸런스 모델(Energy Balance Model) 중에서 적어도 하나 이상을 이용하여 수치적 분석을 수행하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Numerical simulation that performs numerical analysis using at least one of Species Transport Model, Electronic Potential Model, Chemical Reaction Model, and Energy Balance Model How to predict the life status of data-based batteries.
- 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,In the method of predicting the life state of a battery performed by a battery management system,배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;If the numerical analysis result is verified as a laboratory result through electrical and chemical analysis of the battery, extracting the solution data of the battery to obtain a stored numerical simulation database;배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고, 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및Compare the measured data read from the battery with the reference data read from the verified numerical simulation database, and the charging or discharging time is within the maximum and minimum allowable time for reaching the target voltage, and the battery capacity satisfies the preset conditions Counting the number of charges or discharges; And상기 카운트된 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;Predicting a life state of a battery by using a classifier according to the counted number of charges or discharges and a previously learned machine learning algorithm;를 포함하고,Including,상기 카운트하는 단계는, The counting step,상기 배터리가 충전 중이고 배터리 용량이 완전 충전이면 충전된 횟수를 카운트하고 충전을 중지하고, 상기 배터리가 방전 중이고 배터리 용량이 최소 배터리 용량이면 방전된 횟수를 카운트하고 방전을 중지하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Numerical simulation data-based battery that counts the number of charges and stops charging if the battery is charging and the battery capacity is fully charged, and counts the number of discharges and stops discharging if the battery is discharged and the battery capacity is the minimum battery capacity. Method for predicting lifespan status.
- 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,In the method of predicting the life state of a battery performed by a battery management system,배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;If the numerical analysis result is verified as a laboratory result through electrical and chemical analysis of the battery, extracting the solution data of the battery to obtain a stored numerical simulation database;배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고, 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및Compare the measured data read from the battery with the reference data read from the verified numerical simulation database, and the charging or discharging time is within the maximum and minimum allowable time for reaching the target voltage, and the battery capacity satisfies the preset conditions Counting the number of charges or discharges; And상기 카운트된 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;Predicting a life state of a battery by using a classifier according to the counted number of charges or discharges and a previously learned machine learning algorithm;를 포함하고,Including,상기 카운트하는 단계는, The counting step,기검증된 수치적 시뮬레이션 데이터베이스로부터 기준 데이터를 판독하는 단계;Reading reference data from a validated numerical simulation database;충전 또는 방전 중인 배터리로부터 측정 데이터를 판독하는 단계;Reading measurement data from a battery that is being charged or discharged;배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하는 단계;Comparing measured data read from a battery with reference data read from the verified numerical simulation database;충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내인지를 확인하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고 배터리 용량이 기설정된 조건을 만족하면 배터리 용량을 계산하는 단계; 및Check whether the charge or discharge time is within the maximum and minimum allowable time to reach the target voltage, and if the charge or discharge time is within the maximum and minimum allowable time to reach the target voltage and the battery capacity meets the preset conditions Calculating a dose; And상기 계산된 배터리 용량이 완전 충전 또는 최소 배터리 용량 이하이면 충전 횟수 또는 방전 횟수를 카운트하고 충전 또는 방전을 중지하는 단계;Counting the number of charges or the number of discharges and stopping charging or discharging when the calculated battery capacity is less than or equal to full charge or minimum battery capacity;를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Life state prediction method of the battery based on the numerical simulation data comprising a.
- 제8항에 있어서,The method of claim 8,상기 예측하는 단계는, The predicting step,서포트 벡터 머신(Support Vector Machine), 베이즈 분류기(Bayes Classifiers), 인공신경망(Artificial Neural Networks) 및 결정 트리(Decision Tree) 중에서 어느 하나의 머신 러닝 알고리즘을 이용하여 배터리의 수명 상태를 예측하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Numerical estimate of battery life using any machine learning algorithm from Support Vector Machine, Bayes Classifiers, Artificial Neural Networks, or Decision Tree. How to predict the life status of batteries based on simulation data.
- 배터리 관리 시스템에 의해 수행되는 배터리의 수명 상태 예측 방법에 있어서,In the method of predicting the life state of a battery performed by a battery management system,배터리에 대한 전기적 및 화학적 분석을 통해 수치적 분석 결과가 실험실 결과로 검증된 경우, 상기 배터리의 솔루션 데이터가 추출되어 저장된 수치적 시뮬레이션 데이터베이스를 획득하는 단계;If the numerical analysis result is verified as a laboratory result through electrical and chemical analysis of the battery, extracting the solution data of the battery to obtain a stored numerical simulation database;배터리로부터 판독된 측정 데이터와 상기 검증된 수치적 시뮬레이션 데이터베이스로부터 판독된 기준 데이터를 비교하고, 충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간 이내이고, 배터리 용량이 기설정된 조건을 만족하면 충전 또는 방전 횟수를 카운트하는 단계; 및Compare the measured data read from the battery with the reference data read from the verified numerical simulation database, and the charging or discharging time is within the maximum and minimum allowable time for reaching the target voltage, and the battery capacity satisfies the preset conditions Counting the number of charges or discharges; And상기 카운트된 충전 또는 방전 횟수와 기학습된 머신 러닝 알고리즘에 따른 분류기를 이용하여 배터리의 수명 상태를 예측하는 단계;Predicting a life state of a battery by using a classifier according to the counted number of charges or discharges and a previously learned machine learning algorithm;를 포함하고,Including,충전 시간 또는 방전 시간이 목표 전압에 도달하는 최대 및 최소 허용 시간을 벗어나면 세이프티 알고리즘을 통해 배터리의 충전 또는 방전을 비상 정지시키는 단계;Emergency stop of charging or discharging of the battery via a safety algorithm if the charge time or discharge time deviates from the maximum and minimum allowable time for reaching the target voltage;를 더 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Life time prediction method of the battery based on the numerical simulation data further comprising.
- 제13항에 있어서,The method of claim 13,상기 비상 정지시키는 단계는, The emergency stop step,오차 데이터베이스로부터 n번째 오차값 및 n-1번째 오차값을 판독하는 단계;Reading an nth error value and an n-1th error value from an error database;n번째 오차값 및 n-1번째 오차값의 편차의 오차 편차값 합계를 계산하는 단계;calculating a sum of error deviation values of deviations of the n th error value and the n-1 th error value;기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하인지를 확인하는 단계;Checking whether a preset maximum error value is equal to or less than the sum of the calculated error deviation values;기설정된 최대 오차값이 상기 계산된 오차 편차값 합계 이하가 아니면, 충전 또는 방전시의 배터리 용량을 계산하는 단계; 및Calculating a battery capacity at the time of charging or discharging, when the preset maximum error value is not equal to or less than the sum of the calculated error deviation values; And기설정된 최대 오차값이 상기 계산된 오차값 합계 이하이면, 배터리의 충전 또는 방전 동작을 비상 정지시키는 단계;Emergencyly stopping the charging or discharging operation of the battery when a predetermined maximum error value is less than or equal to the calculated error value sum;를 포함하는 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법.Life state prediction method of the battery based on the numerical simulation data comprising a.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2017-0053151 | 2017-04-25 | ||
KR1020170053151A KR101792975B1 (en) | 2017-04-25 | 2017-04-25 | Method for Predicting State of Health of Battery Based on Numerical Simulation Data |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2018199434A1 true WO2018199434A1 (en) | 2018-11-01 |
Family
ID=60383428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2018/000917 WO2018199434A1 (en) | 2017-04-25 | 2018-01-19 | Method for predicting state of life of battery on basis of numerical simulation data |
Country Status (3)
Country | Link |
---|---|
US (1) | US10254349B2 (en) |
KR (1) | KR101792975B1 (en) |
WO (1) | WO2018199434A1 (en) |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101944313B1 (en) * | 2018-04-30 | 2019-02-01 | 쌍용자동차 주식회사 | Battery life prediction apparatus |
EP3863102B1 (en) * | 2018-11-01 | 2023-07-26 | Guangdong HYNN Technologies Co., Ltd. | Temperature compensation system and method for lithium battery capacity measurement, and storage medium |
CN111293739B (en) * | 2018-12-10 | 2022-05-17 | 华为技术有限公司 | Charging method and device |
KR102227084B1 (en) * | 2018-12-28 | 2021-03-15 | 한밭대학교 산학협력단 | Estimation of Capacity of Energy Storage System for New Renewable Energy Control Based on Machine Learning |
CN109713766A (en) * | 2019-03-12 | 2019-05-03 | 安徽卓越电气有限公司 | Battery management system |
EP3723185A1 (en) * | 2019-04-10 | 2020-10-14 | Siemens Aktiengesellschaft | Method for enhancing a battery module model of a battery module type |
WO2020251854A1 (en) | 2019-06-14 | 2020-12-17 | Cummins Inc. | Methods and devices for determining battery state of health using incremental capacity analysis and support vector regression |
CN110456191B (en) * | 2019-07-25 | 2023-01-17 | 中国电力科学研究院有限公司 | A method and system for detecting operating units of ultra-large-scale battery energy storage power stations |
KR102238248B1 (en) | 2019-07-31 | 2021-04-12 | 주식회사 에스제이 테크 | Battery diagnostic methods using machine learning |
US11201489B2 (en) | 2019-08-21 | 2021-12-14 | Robert Bosch Gmbh | System and method for fast charging of lithium-ion batteries |
KR102351123B1 (en) * | 2019-12-20 | 2022-01-14 | (주)엘탑 | System for performance verication and predictive maintenance of ess |
CN113094256B (en) * | 2020-01-08 | 2023-06-27 | 东莞新能源科技有限公司 | BMS software testing method and electronic equipment |
JP7457575B2 (en) * | 2020-05-25 | 2024-03-28 | 株式会社Aescジャパン | Deterioration estimation device, model generation device, deterioration estimation method, model generation method, and program |
CN111983459B (en) * | 2020-07-18 | 2023-06-06 | 武汉数值仿真技术研究院有限公司 | Health state test evaluation method based on vehicle lithium ion battery |
CN112213643B (en) * | 2020-09-30 | 2023-06-23 | 蜂巢能源科技有限公司 | Prediction method, system and equipment of battery initial capacity and battery health state |
JP7408843B2 (en) * | 2020-11-13 | 2024-01-05 | エルジー・ケム・リミテッド | Battery capacity measuring device and method, and battery control system including the device |
KR102540721B1 (en) | 2020-12-24 | 2023-06-05 | 연세대학교 산학협력단 | Method and Apparatus for Simulating Secondary Cell |
CN112666464B (en) * | 2021-01-27 | 2023-11-07 | 北京嘀嘀无限科技发展有限公司 | Battery health state prediction method, device, electronic equipment and readable storage medium |
KR102619797B1 (en) * | 2021-03-05 | 2023-12-29 | 연세대학교 산학협력단 | Battery Management System, Apparatus and Method for Providing Adaptive Model Therefor |
CN112861268B (en) * | 2021-03-10 | 2022-05-10 | 上海交通大学 | Solid electrolyte electronic conductivity obtaining method, medium and electronic equipment |
CN113224413A (en) * | 2021-04-14 | 2021-08-06 | 荣盛盟固利新能源科技有限公司 | Charging thermal management control method of battery system |
CN113219343A (en) * | 2021-06-02 | 2021-08-06 | 上海玫克生储能科技有限公司 | Lithium battery health state prediction method, system, equipment and medium based on elastic network |
CN113640674B (en) * | 2021-06-30 | 2022-09-06 | 昆明理工大学 | Estimation method of available capacity of lithium-ion battery based on optimized Gaussian process regression |
KR102672993B1 (en) * | 2021-08-17 | 2024-06-10 | 한국에너지기술연구원 | Battery health prediction device and prediction method |
CN113805064B (en) * | 2021-09-18 | 2022-09-20 | 北京航空航天大学 | Lithium ion battery pack health state prediction method based on deep learning |
CN113866659A (en) * | 2021-09-26 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | A Lithium Battery SOH Prediction Method Based on Machine Learning and Ampere-Hour Integration |
CN114119495A (en) * | 2021-11-02 | 2022-03-01 | 深圳供电局有限公司 | Method, device and system for detecting sizes of storage battery components |
WO2023080396A1 (en) * | 2021-11-04 | 2023-05-11 | Samsung Electronics Co., Ltd. | Method and electronic device for evaluating remaining useful life (rul) of battery |
CN114779081A (en) * | 2022-03-11 | 2022-07-22 | 北京新能源汽车股份有限公司 | Method and device for predicting service life of vehicle battery through mutual learning and storage medium |
CN114924193B (en) * | 2022-05-27 | 2024-07-23 | 徐州市恒源电器有限公司 | Battery safety assessment method |
CN115184809B (en) * | 2022-07-05 | 2023-06-09 | 燕山大学 | Multi-dimensional evaluation method for energy storage battery system based on temperature angle |
US20240070349A1 (en) * | 2022-08-30 | 2024-02-29 | Dassault Systèmes Americas Corp. | System and Method for Energy Storage Device Generative Design |
CN115995870B (en) * | 2023-03-23 | 2023-06-06 | 深圳多为智联科技有限公司 | Intelligent management system for mobile phone battery |
CN116148679B (en) * | 2023-04-19 | 2023-07-07 | 深圳市伟创源科技有限公司 | Battery health state prediction method and related device |
CN116429339B (en) * | 2023-06-07 | 2023-09-01 | 海斯坦普汽车组件(北京)有限公司 | Leakage detection method and system for new energy battery box |
CN116774077B (en) * | 2023-06-21 | 2024-09-13 | 广东电网有限责任公司 | Method, device, equipment and storage medium for detecting health of energy storage power station battery |
CN117034481A (en) * | 2023-07-07 | 2023-11-10 | 湖北亿纬动力有限公司 | Battery pole size determining method and device and computer storage medium |
KR102682629B1 (en) * | 2023-07-19 | 2024-07-08 | 주식회사 엘와이솔루션 | Method and apparatus for monitoring battery status in real time |
CN118330474B (en) * | 2024-06-17 | 2024-10-29 | 西昌学院 | New energy automobile battery module detection method |
CN119313318A (en) * | 2024-12-17 | 2025-01-14 | 广东省锐驰新能源科技有限公司 | Waste lithium battery recycling management system, method and medium based on multi-terminal analysis |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070043150A (en) * | 2005-10-20 | 2007-04-25 | 삼성에스디아이 주식회사 | SOC estimation method of battery and battery management system using same |
KR20130073802A (en) * | 2011-12-23 | 2013-07-03 | 삼성에스디아이 주식회사 | Device for esitimating life time of secondary battery and method thereof |
KR20140106142A (en) * | 2013-02-26 | 2014-09-03 | 한국항공대학교산학협력단 | System, apparatus and method for prognosticating failure of battery based on charge voltage characteristics |
KR101602848B1 (en) * | 2014-12-23 | 2016-03-11 | 경성대학교 산학협력단 | Method for predicting lifetime of battery |
KR20160067510A (en) * | 2014-12-04 | 2016-06-14 | 삼성전자주식회사 | Method and apparatus for estimating state of battery |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5438646A (en) * | 1992-08-19 | 1995-08-01 | Nec Electronics, Inc. | Feed-forward neural network |
KR100936892B1 (en) | 2007-09-13 | 2010-01-14 | 주식회사 엘지화학 | Battery long-term prediction system and method |
EP3901642B1 (en) * | 2012-06-13 | 2022-09-14 | LG Energy Solution, Ltd. | Apparatus and method for estimating soc of secondary battery including blended cathode material |
US9753959B2 (en) * | 2013-10-16 | 2017-09-05 | University Of Tennessee Research Foundation | Method and apparatus for constructing a neuroscience-inspired artificial neural network with visualization of neural pathways |
FR3020142B1 (en) | 2014-04-16 | 2016-05-13 | Renault Sa | METHOD FOR ESTIMATING THE HEALTH CONDITION OF A BATTERY |
KR102215450B1 (en) | 2014-06-24 | 2021-02-15 | 삼성전자주식회사 | Method and device to learn and estimate battery state information |
KR20160050475A (en) | 2014-10-29 | 2016-05-11 | 주식회사 프로파워 | Device and Method for Controlling Operation of Fuel Cell-Battery Hybrid System |
-
2017
- 2017-04-25 KR KR1020170053151A patent/KR101792975B1/en not_active Expired - Fee Related
-
2018
- 2018-01-19 WO PCT/KR2018/000917 patent/WO2018199434A1/en active Application Filing
- 2018-04-24 US US15/960,767 patent/US10254349B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070043150A (en) * | 2005-10-20 | 2007-04-25 | 삼성에스디아이 주식회사 | SOC estimation method of battery and battery management system using same |
KR20130073802A (en) * | 2011-12-23 | 2013-07-03 | 삼성에스디아이 주식회사 | Device for esitimating life time of secondary battery and method thereof |
KR20140106142A (en) * | 2013-02-26 | 2014-09-03 | 한국항공대학교산학협력단 | System, apparatus and method for prognosticating failure of battery based on charge voltage characteristics |
KR20160067510A (en) * | 2014-12-04 | 2016-06-14 | 삼성전자주식회사 | Method and apparatus for estimating state of battery |
KR101602848B1 (en) * | 2014-12-23 | 2016-03-11 | 경성대학교 산학협력단 | Method for predicting lifetime of battery |
Also Published As
Publication number | Publication date |
---|---|
US10254349B2 (en) | 2019-04-09 |
US20180306868A1 (en) | 2018-10-25 |
KR101792975B1 (en) | 2017-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018199434A1 (en) | Method for predicting state of life of battery on basis of numerical simulation data | |
WO2019208924A1 (en) | Battery state estimation method | |
WO2017034277A1 (en) | Apparatus and method for estimating degree of aging of secondary battery | |
WO2017082705A1 (en) | System for controlling output parameters of secondary battery, and method therefor | |
WO2018105881A1 (en) | Battery management apparatus and method | |
WO2019074221A1 (en) | Apparatus for estimating state-of-charge of secondary battery and method thereof | |
WO2018139764A2 (en) | Battery management apparatus and method | |
WO2018038383A1 (en) | Device and method for testing performance of battery cell | |
WO2019066294A1 (en) | Apparatus and method for acquiring degradation information of lithium-ion battery cell | |
WO2022055080A1 (en) | Method for estimating state of charge of battery | |
WO2019139335A1 (en) | Apparatus and method for testing performance of battery cell | |
WO2022075708A1 (en) | Apparatus and method for diagnosing state of battery | |
WO2020262787A1 (en) | Method for detecting internal short-circuited cell | |
WO2018235995A1 (en) | Method for fast charging and maximum discharging while reducing degradation of electric vehicle battery, and apparatus therefor | |
WO2019098722A1 (en) | Device and method for estimating battery resistance | |
WO2020184812A1 (en) | Method for estimating state of health of battery | |
WO2020262789A1 (en) | Method for detecting abnormal battery cell | |
WO2020214000A1 (en) | Battery management device and method using non-destructive resistance analysis | |
WO2018194225A1 (en) | Battery monitoring and protection system | |
WO2022050540A1 (en) | Battery management device and method | |
WO2020166914A1 (en) | Device and method for estimating state of charge | |
WO2021230639A1 (en) | Charging depth configuration device and method | |
WO2022071776A1 (en) | Apparatus, method, and system for diagnosing battery | |
WO2021060719A1 (en) | Method for evaluating battery and electronic device supporting same | |
WO2021025295A1 (en) | Battery management device, battery management method, and battery pack |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18792324 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 18792324 Country of ref document: EP Kind code of ref document: A1 |